PENGGUNAAN JARINGAN SARAF TIRUAN …etheses.uin-malang.ac.id/6351/1/09610107.pdfPENGGUNAAN JARINGAN...

PENGGUNAAN JARINGAN SARAF TIRUAN UNTUK MENDETEKSI

STATUS GIZI BALITA DENGAN METODE BACKPROPAGATION

SKRIPSI

OLEH

MUHAMMAD DULASRIP

NIM. 09610107

JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM

MALANG

2015



SKRIPSI

Diajukan Kepada

Fakultas Sains dan Teknologi

Universitas Islam Negeri Maulana Malik Ibrahim Malang

untuk Memenuhi Salah Satu Persyaratan dalam

Memperoleh Gelar Sarjana Sains (S.Si)

Oleh

Muhammad Dulasrip

NIM. 09610107

JURUSAN MATEMATIKA

FAKULTAS SAINS DAN TEKNOLOGI

UNIVERSITAS ISLAM NEGERI MAULANA MALIK IBRAHIM

MALANG

2015



SKRIPSI

Oleh

Muhammad Dulasrip

NIM. 09610107

Telah Diperiksa dan Disetujui untuk Diuji

Tanggal 22 Januari 2015

Pembimbing I,

Dr. Sri Harini, M.Si

NIP. 19731014 200112 2 002

Pembimbing II,

Dr. Abdussakir, M.Pd

NIP. 19751006 200312 1 001

Mengetahui,

Ketua Jurusan Matematika


NIP. 19751006 200312 1 001



SKRIPSI

Oleh

Muhammad Dulasrip

NIM. 09610107

Telah Dipertahankan di Depan Dewan Penguji Skripsi

dan Dinyatakan Diterima Sebagai Salah Satu Persyaratan

untuk Memperoleh Gelar Sarjana Sains (S.Si)

Tanggal 27 Maret 2015

Penguji Utama : Mohammad Jamhuri, M.Si

...………………………

Ketua Penguji : Abdul Aziz, M.Si

………………………...

Sekretaris Penguji : Dr. Sri Harini, M.Si

………………………...

Anggota Penguji : Dr. Abdussakir, M.Pd

………………………...

Mengetahui,

Ketua Jurusan Matematika


NIP. 19751006 200312 1 001

PERNYATAAN KEASLIAN TULISAN

Saya yang bertanda tangan di bawah ini:

Nama : Muhammad Dulasrip

NIM : 09610107

Jurusan : Matematika

Fakultas : Sains dan Teknologi

Judul Skripsi : Penggunaan Jaringan Saraf Tiruan untuk Mendeteksi Status Gizi

Balita dengan Metode Backpropagation

menyatakan dengan sebenarnya bahwa skripsi yang saya tulis ini benar-benar

merupakan hasil karya sendiri, bukan merupakan plagiat atau pikiran orang lain

yang saya akui sebagai hasil tulisan atau pikiran saya sendiri, kecuali sebagai

literatur yang tercantum pada daftar pustaka. Apabila di kemudian hari dapat

dibuktikan skripsi ini hasil plagiat, maka saya bersedia menerima sanksi atas

perbuatan tersebut.

Malang, 22 Januari 2015

Yang membuat pernyataan,

Muhammad Dulasrip

NIM. 09610107

MOTO

“Jangan pernah malu untuk maju, karena malu menjadikan kita tak akan pernah

mengerti dan memahami segala hal dalam hidup ini”

PERSEMBAHAN

Penulis mempersembahkan karya penelitian ini untuk:

Bapak dan Ibu tercinta, Hadi dan Surati, yang selalu bekerja keras

mengasuh, mendidik, membimbing, dan yang selalu memberikan cinta kasih serta

do’anya yang tiada henti, penuh dengan keihklasan, dan kesabaran, sehingga

penulis dapat menyelesaikan studi di kampus ini. Semoga atas semua

pengorbanan dan kasih sayang yang beliau berikan mendapat imbalan yang

sebesar-besarnya dari Allah Swt.

Nenek tercinta yang selama ini turut berjasa besar dan senantiasa

mendukung keberhasilan penulis. Adik-adik penulis, Isnaini dan Saiful Akbar

yang ikut serta dalam memberi dukungan dan semangat kepada penulis.

Keponakan penulis yang tidak dapat disebutkan satu-persatu, kalianlah

motivasi masa depan dan harapan terindah bagi penulis.

viii

KATA PENGANTAR

Assalamu’alaikum Warahmatullahi Wabarakatuh

Segala puji bagi Allah Swt atas rahmat, taufik serta hidayah-Nya, sehingga

peneliti mampu menyelesaikan penyusunan skripsi sekaligus studi di Jurusan

Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana

Malik Ibrahim Malang.

Ucapan terima kasih seiring do’a dan harapan jazakumullahu bikhair,

peneliti haturkan sebagai penghargaan yang setinggi-tingginya kepada semua

pihak yang telah membantu terutama kepada:

1. Prof. Dr. H. Mudjia Rahardjo, M.Si, selaku rektor Universitas Islam Negeri

Maulana Malik Ibrahim Malang.

2. Dr. drh. Bayyinatul Muchtaromah, M.Si, selaku dekan Fakultas Sains dan

Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.

3. Dr. Abdussakir, M.Pd, selaku ketua Jurusan Matematika Fakultas Sains dan

Teknologi, Universitas Islam Negeri Maulana Malik Ibrahim Malang.

4. Dr. Sri Harini M.Si dan Dr. Abdussakir, M.Pd selaku dosen pembimbing I dan

pembimbing II yang telah banyak memberikan bimbingan, arahan, nasihat,

motivasi, dan berbagi pengalaman yang berharga kepada peneliti sehingga

peneliti lebih terarah dalam menulis skripsi ini.

5. Segenap sivitas akademika Jurusan Matematika, Fakultas Sains dan Teknologi,

Universitas Islam Negeri Maulana Malik Ibrahim Malang terutama seluruh

dosen, terima kasih atas segala ilmu dan bimbingannya.

ix

6. Ayah dan ibu, yang selalu memberikan do’a, semangat serta motivasi kepada

peneliti yang tidak pernah ada hentinya.

7. Seluruh teman di Jurusan Matematika angkatan 2009 yang memberikan

motivasi dan tidak pernah membiarkan peneliti merasa sendiri.

8. Semua pihak yang ikut membantu dalam menyelesaikan skripsi ini baik berupa

materiil maupun moril.

Peneliti berharap semoga skripsi ini bermanfaat bagi peneliti dan bagi

pembaca.

Wassalamu’alaikum Warahmatullahi Wabarakatuh

Malang, Januari 2015

Peneliti

x

DAFTAR ISI

HALAMAN JUDUL

HALAMAN PENGAJUAN

HALAMAN PERSETUJUAN

HALAMAN PENGESAHAN

HALAMAN PERNYATAAN KEASLIAN TULISAN

HALAMAN MOTO

HALAMAN PERSEMBAHAN

KATA PENGANTAR ........................................................................................ viii

DAFTAR ISI ....................................................................................................... x

DAFTAR TABEL .............................................................................................. xii

DAFTAR GAMBAR .......................................................................................... xiii

ABSTRAK .......................................................................................................... xiv

ABSTRACT ........................................................................................................ xv

xvi .................................................................................................................... ملخص

BAB I PENDAHULUAN

1.1 Latar Belakang ................................................................................... 1

1.2 Rumusan Masalah .............................................................................. 5

1.3 Tujuan Penelitian................................................................................ 6

1.4 Batasan Masalah ................................................................................. 6

1.5 Manfaat Penelitian.............................................................................. 6

1.6 Metode Penelitian ............................................................................... 7

1.7 Sistematika Penulisan ......................................................................... 11

BAB II KAJIAN PUSTAKA

2.1 Jaringan Saraf Tiruan ......................................................................... 12

2.2 Konsep Dasar Jaringan Saraf Tiruan .................................................. 17

2.3 Kegunaan dan Aplikasi Jaringan Saraf Tiruan ................................... 17

2.4 Arsitektur Jaringan Saraf Tiruan ........................................................ 19

2.5 Fungsi Aktivasi .................................................................................. 20

2.6 Backpropagation pada Jaringan Saraf Tiruan .................................... 21

2.6.1 Perambatan Maju ...................................................................... 22

2.6.2 Perambatan Mundur .................................................................. 23

2.6.3 Algoritma Pelatihan Backpropagation ..................................... 25

2.7 Inisialisasi Bobot dan Bias ................................................................. 29

xi

2.7.1 Inisialisasi Acak ........................................................................ 29

2.7.2 Inisialisasi Nguyen-Widrow ..................................................... 29

2.8 Lama Iterasi ........................................................................................ 31

2.9 Pengertian Gizi ................................................................................... 32

2.9.1 Penilaian Status Gizi ................................................................. 32

2.10 Pentingnya Ilmu dan Pengamalannya ................................................ 36

2.10.1Manfaat Menuntut Ilmu Secara Umum .................................... 37

BAB III PEMBAHASAN

3.1 Deskripsi Data Status Gizi Balita Usia di Bawah 60 Bulan

di UPT Puskesmas Dinoyo Malang ................................................... 41

3.1.1 Status Gizi Sangat Kurang ........................................................ 44

3.1.2 Status Gizi Kurang .................................................................... 45

3.1.3 Status Gizi Normal ................................................................... 46

3.1.4 Status Gizi Lebih ...................................................................... 47

3.2 Memodelkan Status Gizi Balita dengan Jaringan Saraf Tiruan ......... 48

3.2.1 Menentukan Input ..................................................................... 48

3.2.2 Proses Kerja Jaringan Saraf Tiruan .......................................... 49

3.2.3 Hasil Analisis Jaringan Saraf Tiruan

dengan Metode Backpropagation ............................................. 52

3.2.4 Pemodelan Arsitektur Status Gizi Balita

dengan Jaringan Saraf Tiruan ................................................... 54

3.2.5 Penentuan Arsitektur Jaringan yang Optimal ........................... 55

3.3 Jaringan Saraf Tiruan Menurut Pandangan Islam .............................. 58

BAB IV PENUTUP

4.1 Kesimpulan......................................................................................... 60

4.2 Saran ................................................................................................... 60

DAFTAR PUSTAKA .......................................................................................... 61

LAMPIRAN-LAMPIRAN

RIWAYAT HIDUP

xii

DAFTAR TABEL

Tabel 3.1 Data Asli Status Gizi Balita Berdasarkan Berat Badan

Menurut Panjang Badan (UPT Puskesmas Dinoyo Malang

Tahun 2014) .......................................................................................... 42

Tabel 3.2 Deskripsi Data Keseluruhan Status Gizi Balita Usia

di Bawah 60 Bulan ............................................................................... 42

Tabel 3.3 Deskripsi Data Status Gizi Sangat Kurang di UPT

Puskesmas Dinoyo Malang .................................................................. 44

Tabel 3.4 Deskripsi Data Status Gizi Kurang di UPT Puskesmas

Dinoyo Malang ..................................................................................... 45

Tabel 3.5 Deskripsi Data Status Gizi Normal di UPT Puskesmas

Dinoyo Malang ..................................................................................... 46

Tabel 3.6 Deskripsi Data Status Gizi Lebih di UPT Puskesmas

Dinoyo Malang ..................................................................................... 47

Tabel 3.7 Hasil Analisis Jaringan Saraf Tiruan dengan Perubahan

Iterasi dan Laju Pemahaman a untuk Mendapatkan

Arsitektur yang Optimal ....................................................................... 53

xiii

DAFTAR GAMBAR

Gambar 2.1 Jaringan Saraf dengan Banyak Lapis .............................................. 20

Gambar 2.2 Fungsi Aktivasi Sigmoid Biner ........................................................ 21

Gambar 2.3 Tiga Lapisan Jaringan Backpropagation.......................................... 22

Gambar 2.4 Langkah Perambatan Maju............................................................... 23

Gambar 2.5 Fungsi Sigmoid Beserta Turunannya................................................ 24

Gambar 3.1 Histogram Data Keseluruhan Status Gizi Balita Usia

di Bawah 60 Bulan ........................................................................... 43

Gambar 3.2 Scatterplot Status Gizi Sangat Kurang di UPT Puskesmas Dinoyo

Malang ............................................................................................. 45

Gambar 3.3 Scatterplot Status Gizi Kurang di UPT Puskesmas

Dinoyo Malang ................................................................................ 46

Gambar 3.4 Scatterplot Status Gizi Normal di UPT Puskesmas

Dinoyo Malang ................................................................................ 47

Gambar 3.5 Scatterplot Status Gizi Lebih di UPT Puskesmas

Dinoyo Malang ................................................................................ 48

Gambar 3.6 Plot Pelatihan Data Pengujian dengan Laju Pemahaman

0.2 dengan Pemberian Iterasi 1000 .......................................... 54

Gambar 3.7 Arsitektur Jaringan Saraf Tiruan yang Optimal dari Data

Status Gizi Balita Usia di Bawah 60 Bulan di UPT

Puskesmas Dinoyo Malang Tahun 2014 dengan 2 Unit Input,

10 Hidden Node, dan 4 Unit Output ................................................ 57

xiv

ABSTRAK

Dulasrip, Muhammad. 2015. Penggunaan Jaringan Saraf Tiruan untuk Mendeteksi

Status Gizi Balita dengan Metode Backpropagation. Skripsi. Jurusan

Matematika, Fakultas Sains dan Teknologi, Universitas Islam Negeri Maulana

Malik Ibrahim Malang. Pembimbing: (I) Dr. Sri Harini, M.Si. (II) Dr. Abdussakir,

M.Pd.

Kata kunci: Jaringan Saraf Tiruan, Feedforward, Backpropagation, Status Gizi Balita

Jaringan saraf tiruan adalah suatu metode pengelompokan dan pemisahan

data yang prinsip kerjanya sama seperti jaringan saraf pada manusia. Elemen

mendasar dari jaringan saraf tiruan ini adalah bagaimana memproses sistem dan

beberapa struktur sehingga menjadi sebuah informasi. Jaringan saraf tiruan

dibentuk untuk memecahkan suatu masalah tertentu seperti pengenalan pola atau

klasifikasi suatu data. Proses dari jaringan saraf tiruan ini dilakukan dengan

pendekatan Feedforward dan Backpropagation yang dilihat dari nilai errornya.

Gizi merupakan salah satu faktor penting yang menentukan tingkat

kesehatan dan kesejahteraan manusia. Keadaan gizi seseorang dikatakan baik

apabila terdapat keseimbangan dan keserasian antara perkembangan fisik dan

perkembangan mental orang tersebut. Penelitian jaringan saraf tiruan yang

diaplikasikan pada status gizi balita ini bertujuan untuk mendapatkan arsitektur

yang optimal.

Pada penelitian ini didapatkan nilai means square error yang minimum

dari pelatihan backpropagation, dengan pemberian dan iterasi 1000 yaitu

MSE = 1.1904e-005, dan model arsitektur jaringan saraf tiruan yang optimal dari

pelatihan backpropagation pada status gizi balita, yaitu arsitektur jaringan yang

terdiri dari 2 unit input, 10 hidden node pada 1 hidden layer, dan 4 unit output.

xv

ABSTRACT

Dulasrip, Muhammad. 2015. Aplication of Neural Networks to Detect Toddler

Nutrition State Using Backpropagation Method. Thesis Department of

Mathematics, Faculty of Science and Technology, State Islamic University

of Maulana Malik Ibrahim Malang. Advisor: (1) Dr. Sri Harini, M.Si. (II)


Keywords: Nueral networks, Feedforward, Backpropagation, Nutritional State

Artificial neural network is a method of grouping and separation of data

that works at the same principle as the human neural network. The fundamental

elements of neural networks are how to process the system and some structure so

that it becomes an information. Neural network was formed to solve a specific

problem such as pattern recognition or classification of data. The process of neural

network is done using Feedforward and backpropagation approach and investigate

its error value.

Nutrition is one of the important factors that determine the level of health

of human. Nutritional state of a person is good if there is a balance and harmony

between the physical and mental development of the person. This research of

artificial neural networks that are applied in the nutritional status of children aims

to obtain an optimal architecture.

In this study, the value of the minimum means square error

backpropagation training, using a = 0.2 and 1000 iterations that is MSE =

1.1904e-005. We also obtained optimum model of artificial neural network

architecture using backpropagation training on infant nutritional state, which is a

network architecture that consists of two units of input, ten hidden node in one

hidden layer, and four units of output

xvi

ملخص

األطفال مع االنتشار لكشف الصغار حالة تغذوية عيةانالص استخدام الشبكات العصبية ، 5102دوالسريف ، حممد، backpropagation القسم الرياضيات الكلية العلوم والتكنولوجيا ، اجلامعة احلكمية البحث .معيااجل ،

الدكتورة سري هاريين ادلاجسترية وادلشرف الثاين : ماالنج. ادلشرفة االول : اإلسالمية موالنا مالك إبراهيم الدكتور عبد الشاكر ادلاجستري

تغذية الطفل ، العمارة حالة ،feedforward ،backpropagationعية، انالص الكلمات الرئيسية : الشبكات العصبية

العصيب اإلنساين. العناصر الشبكاتالشبكة العصبية االصطناعية هو وسيلة لتجميع وفصل البيانات يعمل نفس ادلبدأ

األساسية للشبكات العصبية هي كيفية معاجلة النظام وبعض هيكل حبيث تصبح ادلعلومات. مت تشكيل الشبكة العصبية حلل مشكلة feedforward انات. تتم العملية من الشبكة العصبية معمعينة مثل التعرف على منط أو تصنيف البي

backpropagation وينظر قيمة اخلطأ. التغذية هي واحدة من أهم العوامل اليت حتدد مستوى الصحة. احلالة الغذائية للشخص جيدة إن كان هناك توازن

واالنسجام بني النمو البدين والعقلي للشخص. ، backpropagationالتدريب تعين means square error قيمة عليها احلصول مت اليت الدرسة، هذة يف

من لثاالم عيةانالص العصبية للشبكة منوذاجو MSE = 1.1904e-005 ,كانت اليت التكرار 1000 و a=0.2 وتوفري العقد عشرة ,مدخلني من تتكون اليت للشبكة عمارة هي اليتو ,طفل األ تغذوية احلالةى عل backpropagation التدريب ت.جاخمر عةبوأر ,خمفية طبقة يف ادلخفية

1

BAB I

PENDAHULUAN

1.1 Latar Belakang

Akhir–akhir ini jaringan saraf tiruan sangat populer untuk di jadikan

pembelajaran terutama pada bidang sains dan teknologi. Jaringan ini terdiri dari

sekumpulan neuron-neuron atau unit-unit yang saling berinteraksi. Pada neuron

saraf manusia, proses alami mengatur bagaimana sinyal input pada dendrit

diproses dan kemudian diterjemahkan dalam aktivitas axon. Sedangkan pada

neuron buatan, proses learning mengatur input-input yang digunakan untuk

pemetaan output-nya. Jaringan saraf tiruan merupakan jaringan yang saling

berhubungan antar node-node atau simpul-simpulnya yang tiap-tiap hubungan

tersebut mempunyai bobot koneksi yang dilatih untuk mencapai respon yang

diinginkan. Masing-masing bobot koneksi dipropagasikan ke seluruh simpul atau

node. Dengan pelatihan terhadap data berdasarkan bobot-bobot koneksi tersebut

diharapkan memperoleh output yang diinginkan.

Kemampuan yang dimiliki jaringan saraf tiruan dapat digunakan untuk

belajar dan menghasilkan aturan atau operasi dari beberapa contoh atau input yang

dimasukkan dan membuat prediksi tentang kemungkinan output yang akan

muncul atau menyimpan karakteristik dari input yang disimpan kepadanya

(Kristanto, 2004:37).

Jaringan saraf tiruan dapat dibayangkan seperti otak buatan di dalam

cerita-cerita fiksi ilmiah. Otak buatan ini dapat berpikir seperti manusia dan juga

sepandai manusia dalam menyimpulkan sesuatu dari potongan-potongan

2

informasi yang diterima. Hayalan manusia tersebut mendorong para peneliti untuk

mewujudkannya. Komputer diusahakan agar dapat berpikir sama seperti cara

berpikir manusia. Caranya adalah dengan melakukan peniruan terhadap aktivitas-

aktivitas yang terjadi di dalam sebuah jaringan saraf biologis (Puspitaningrum,

2006:1).

Kelebihan jaringan saraf tiruan ini adalah tidak perlu adanya asumsi

bahwa data harus berdistribusi multivariat normal dan metode ini mempunyai

ketelitian yang sangat tinggi serta dapat membantu dalam menyederhanakan

berbagai permasalahan yang tidak dapat diselesaikan dengan menggunakan

pendekatan matematis atau pendekatan numerik. Pada beberapa tulisan disebutkan

bahwa algoritma pembelajaran jaringan saraf tiruan dapat menyelesaikan

permasalahan model deret berkala nonlinier dengan algoritma pembelajaran

backpropagation (Stern, 1996:128).

Metode bakpropagation merupakan metode yang sangat baik dalam

menangani masalah pengenalan pola-pola kompleks. Metode ini merupakan

metode jaringan saraf tiruan yang popular. Beberapa contoh aplikasi yang

melibatkan metode ini adalah pengompresian data, pendeteksian virus komputer,

pengidentifikasian objek, sintesis suara dari teks, dan lain-lain (Puspitaningrum,

2006:125). Jadi, untuk backpropagation sangat baik dijadikan metode dalam

penentuan status gizi balita pada skripsi ini.

Algoritma pembelajaran backpropagation ini merupakan algoritma

pembelajaran yang terawasi dimana input dan output-nya telah ditentukan

sebelumnya (Kusumadewi, 2004:89). Pasangan data tersebut juga berfungsi dalam

memberikan informasi yang jelas tentang bagaimana sistem jaringan yang harus

3

dibangun dan dimodifikasi sehingga nantinya diperoleh jaringan saraf tiruan

dengan bentuk yang terbaik. Pasangan data ini dipakai untuk melatih bobot-bobot

input untuk mencari output aktual untuk dibandingkan dengan output target awal.

Selisih antara output aktual dengan output target ini disebut error (Siang,

2009:97-98). Error yang timbul ini digunakan untuk memodifikasi bobot-bobot

sehingga perubahan bobot ini diharapkan dapat mengurangi besarnya error

sampai pada nilai yang diinginkan. Jaringan saraf tiruan diharapkan dapat

menghasilkan jawaban yang sedekat mungkin dengan jawaban yang benar yang

telah diketahui sebelumnya oleh jaringan saraf tiruan.

Kelebihan backpropagation adalah melatih jaringan untuk mendapatkan

keseimbangan antara kemampuan jaringan untuk mengenali pola yang digunakan

selama pelatihan serta kemampuan jaringan untuk memberikan respon yang benar

terhadap pola masukan yang serupa dengan pola yang dipakai selama pelatihan.

Salah satu permasalahan yang dapat dipecahkan secara baik oleh aplikasi jaringan

saraf tiruan dalam mendeteksi status gizi balita.

Sehingga algoritma matematika pada backpropagation dapat diaplikasikan

dalam ilmu kesehatan. Mengenai hal ini peran ilmu matematika sangat penting

bagi ilmu kesehatan. Begitupun ilmu-ilmu yang lainnya yang terikat satu sama

lain agar mampu memahami yang belum diketahui.

Pada dasarnya keberadaan ilmu pengetahuan adalah untuk kepentingan

manusia terutama dalam memperbaiki hidupnya dalam rangka meningkatkan serta

mencapai kebahagian dan ketenangan hidup. Dalam usaha untuk memecahkan

masalah-masalah kehidupan yang dapat dipertanggungjawabkan secara etis,

penelitian ilmiah perlu terus dilakukan dengan tidak meninggalkan moral dan

4

agama yang seharusnya mendasari dalam segala kegiatannya. Azaz moral yang

terkandung dalam kegiatan keilmuan merupakan sumbangan positif, baik bagi

pembentukan manusia perorangan maupun pembentukan karakter suatu bangsa

(Syafi‟ie, 2000:1-2). Seperti firman Allah yang telah dijelaskan dalam al-Quran

surat al-Ankabuut ayat 43.

Artinya: dan perumpamaan-perumpamaan ini Kami buat untuk manusia; dan

tiada yang memahaminya kecuali orang-orang yang berilmu (Qs. al-

Ankabuut/29:43).

Pada ayat di atas dijelaskan bahwa manusia tidak akan mampu

memahami segala sesuatu yang terjadi tanpa berbekal ilmu, sehingga disarankan

untuk memperbanyak belajar agar menambah wawasan diri. Bahkan dalam hadits

ditekankan dalam pencarian ilmu „‟Carilah ilmu walaupun ke negeri Cina‟‟.

Mengingat pentingnya ilmu bagi setiap orang yang gunanya untuk menjaga

dirinya sendiri dan memberi manfaat bagi orang lain, dalam hadits lain juga

menekankan „‟karena jika ingin selamat di dunia maka dengan ilmu, jika ingin

selamat di akhirat maka dengan ilmu, dan jika ingin selamat keduanya maka

dengan ilmu’’.

Al-Quran menjadikan ilmu pengetahuan bukan hanya untuk mencapai

kebenaran dalam rangka memenuhi kebutuhan hidup di dunia ini, melainkan lebih

jauh dari pada itu adalah untuk mencapai keselamatan, ketenangan serta

kebahagian hidup di balik kehidupan dunia yang fana ini, yaitu kehidupan di

akhirat. Mereka hanya mengetahui yang nampak saja dari kehidupan manusia,

sedangkan kehidupan akhirat mereka lalaikan.(Qs. ar-Rum:6-7). Bukanlah

5

akhirat itu lebih baik dari pada (yang) pertama (dunia).(Qs. ad-Duha:3).

(Syafi‟ie, 2000:142).

Agar ilmu dapat bermanfaat bagi diri sendiri dan orang lain maka harus

diaplikasikan dalam kehidupan sehari-hari. Pada skripsi ini akan dijelaskan lebih

dalam tentang pengaplikasian jaringan saraf tiruan pada gizi balita, karena gizi

merupakan salah satu faktor penting yang menentukan tingkat kesehatan dan

kesejahteraan manusia. Keadaan gizi seseorang dikatakan baik apabila terdapat

keseimbangan dan keserasian antara perkembangan fisik dan perkembangan

mental orang tersebut.

Berdasarkan uraian di atas, maka penulis akan menjelaskan lebih dalam

tentang status gizi balita dengan mengangkat judul skripsi “Penggunaan Jaringan

Saraf Tiruan untuk Mendeteksi Status Gizi Balita dengan Metode

Backpropagation”.

1.2 Rumusan Masalah

Berdasaran latar belakang di atas maka rumusan masalah dalam skripsi

ini adalah sebagai berikut:

1. Bagaimana mendapatkan means square error yang minimum pada status gizi

balita dengan metode backpropagation?

2. Bagaimana model arsitektur jaringan saraf tiruan pada status gizi balita di UPT

Puskesmas Dinoyo Malang?

6

1.3 Tujuan Penelitian

Dilihat dari rumusan masalah pada skripsi ini, maka tujuan penelitian ini

adalah sebagai berikut:

1. Untuk mendapatkan means square error yang minimum pada status gizi balita

dengan metode backpropagation.

2. Untuk mengetahui model arsitektur jaringan saraf tiruan pada status gizi balita

di UPT Puskesmas Dinoyo Malang.

1.4 Batasan Masalah

Agar terdapat kejelasan mengenai pembahasan skripsi ini maka

diperlukan batasan masalah yang akan dibahas. Batasan masalah untuk penelitian

ini adalah sebagai berikut:

1. Fungsi aktivasi yang digunakan adalah fungsi sigmoid biner

2. Data yang digunakan adalah:

a. Data status gizi bagi balita (balita di bawah umur 60 bulan) di UPT Puskesmas

Dinoyo Malang.

b. Parameter penentu adalah berat badan (BB), dan panjang badan (PB)

c. Pengukuran yang digunakan adalah pengukuran antropometri sesuai dengan

standar WHO-2005 di UPT Puskesmas Dinoyo Malang.

3. Program yang digunakan adalah program matlab dan pendukung lainnya.

1.5 Manfaat Penelitian

Manfaat penelitian ini adalah mempermudah dalam menyelesaikan suatu

masalah yang bersangkutan dengan masalah status gizi balita dengan

7

menggunakan metode backpropagation pada jaringan saraf tiruan. Karena

kesehatan masa balita sangat penting bagi kehidupan manusia, ini berarti bahwa

konsumsi gizi masa kanak-kanak memberi andil terhadap status gizi masa dewasa.

1.6 Metode Penelitian

Metode yang digunakan dalam penelitian ini adalah metode penelitian

perpustakaan, yaitu dengan mengumpulkan data dan informasi dengan bantuan

bermacam-macam materi yang terdapat di ruangan perpustakaan, seperti buku-

buku, majalah, dokumen, catatan, kisah-kisah sejarah dan pendukung lainnya

(Mardalis, 1990:28).

Dalam penelitian ini ada dua tujuan yang dilakukan. Setiap tujuan

mempunyai langkah-langkah untuk mendapatkan hasil yang diinginkan. Tujuan

yang dimaksud adalah sebagai berikut:

1. Tujuan pertama

Tujuan yang pertama agar proses kerja jaringan berjalan dengan lancar

maka dilakukan langkah-langkah sebagai berikut:

Langkah 1 : Menetapkan data/nilai input, yaitu berat badan menurut panjang

badan (Kusumadewi, 2004:95).

Langkah 2 : Membuat inisialisasi semua bobot dengan bilangan acak kecil [-0.5,

0.5] (Siang, 2009:102-104).

Fase I : Dengan Metode Forward Propagation

Langkah 3 : Tiap unit masukan (i 1,2,3,.....,n) menerima sinyal dan

meneruskan sinyal tersebut ke semua unit pada lapisan yang ada di

atasnya.

8

Langkah 4 : Tiap-tiap unit lapisan tersembunyi ( j 1,2,3,....., p)

menjumlahkan sinyal-sinyal input terbobot dengan persamaan

sebagai berikut:

∑

Kemudian dihitung nilai keluaran dengan menggunakan fungsi

aktivasi:

y= f(x)

f(x)= f( )

=f( ) =

Kemudian dari fungsi aktivasi sigmoid tersebut dikirimkan sinyal

ke semua unit di lapisan berikutnya.

Langkah 5 : Setelah fungsi aktivasi didapatkan dengan cara sebagai berikut:

(k 1,2,3,...,m)

∑

didapatkan nilai output dengan menggunakan fungsi aktivasi:

= f( ) =

Setelah didapatkan fungsi aktivasi output, selanjutnya:

Fase II : Dengan Metode Backpropagation

Langkah 6 : Tiap-tiap unit keluaran (k 1,2,3,...,m) menerima target pola

yang berhubungan dengan pola input pembelajaran, menghitung

informasi error-nya dengan persamaan sebagai berikut:

( ) f( )

9

( ) (1- )

Kemudian menghitung koreksi nilai bobot yang akan digunakan

untuk memperbaharui nilai :

Kemudian menghitung koreksi nilai bias yang akan digunakan

untuk memperbaharui nilai :

Selanjutnya mengirimkan ke unit-unit yang ada di lapisan

bawahnya.

Langkah 7 : Tiap-tiap unit hidden ( j =1,2,3,..., p) menjumlahkan delta input

(dari unit-unit yang berada pada lapisan di atasnya) dengan

persamaan sebagai berikut:

∑

Kemudian nilai tersebut dikalikan dengan nilai turunan dari fungsi

aktivasi untuk menghitung informasi kesalahan:

_ f( )

Menghitung koreksi nilai bobot yang kemudian digunakan untuk

memperbaharui :

Menghitung koreksi bias (yang nantinya akan digunakan untuk

memperbaiki nilai :

10

Fase III : Perubahan Bobot

Langkah 8 : Tiap-tiap unit output (k = 1,2,3,...,m) memperbaiki bias dan

bobotnya ( j =1,2,3,..., p) dengan persamaan sebagai berikut:

( ) ( )

tiap-tiap unit hidden ( j =1,2,3,..., p) memperbaiki bias dan

bobotnya (i = 1,2,3,.....,n) dengan persamaan sebagai berikut:

( ) ( )

Langkah 9 : Menghitung mean square error, jika nilai mean square error lebih

besar dari target error, maka dilakukan pengulangan pada langkah 2-

8 secara terus-menerus sehingga didapatkan MSE yang minimum

(Kusumadewi, 2004:97).

2. Tujuan Kedua

Tujuan kedua dimaksudkan untuk kejelasan data yang ingin diambil dan

menyimpulkannya, maka dilakukan langkah-langkah sebagai berikut:

1. Mendeskripsikan data.

2. Analisis data dengan tahapan sebagai berikut:

a) Menentukan input.

b) Menentukan jumlah layar tersembunyi

c) Menentukan fungsi aktivasi.

d) Menentukan bobot dari unit input dengan memilih nilai yang bernilai kecil,

kemudian bobot dari unit keluaran mengambil selisih dari hasil perhitungan

dengan nilai target yang kemudian digunakan untuk meng-update bobot.

e) Analisis hasil pengelompokan.

f) Menarik kesimpulan dari hasil pengelompokan.

11

1.7 Sistematika Penulisan

Dalam penulisan skripsi ini, penulis menggunakan sistematika penulisan

yang terdiri dari 4 bab, dan masing-masing bab dibagi dalam sub bab dengan

sistematika penulisan sebagai berikut:

Bab I Pendahuluan

Pada bab ini terdiri dari latar belakang, rumusan masalah, tujuan

penelitian, batasan masalah, manfaat penelitian, metode penelitian, dan

sistematika penulisan.

Bab II Kajian Pustaka

Pada bab ini penulis menjelaskan konsep-konsep yang menjadi landasan

pembahasan masalah, yaitu jaringan saraf tiruan, backpropagation, metode

optimasi error, dan status gizi balita.

Bab III Pembahasan

Pada bab ini penulis menjelaskan tentang model jaringan saraf tiruan

dengan metode backpropagation dalam mendeteksi status gizi balita dengan

jaringan saraf tiruan menggunakan metode backpropagation.

Bab IV Penutup

Pada bab ini penulis memberikan kesimpulan yang diperoleh dari

pembahasan yang dilengkapi dengan saran-saran yang berkaitan dengan hasil

penelitian ini.

12

BAB II

KAJIAN PUSTAKA

2.1 Jaringan Saraf Tiruan

Sejarah jaringan saraf tiruan dimulai pada tahun 1940-an, jaringan saraf

tiruan pertama kali didesain oleh Warren McCulloch dan Walter Pitts (1943).

McCulloch–Pitts menemukan bahwa mengkombinasikan banyak neuron

sederhana sehingga menjadi sebuah sistem saraf merupakan sumber peningkatan

tenaga komputasional. Bobot pada McCulloch-pitts diset sedemikian hingga

neuron tersebut melakukan sebuah fungsi logika sederhana yang khusus. Neuron-

neuron yang berbeda melakukan fungsi-fungsi yang berbeda pula. Neuron-neuron

disusun menjadi sebuah jaringan untuk menghasilkan sembarang output yang bisa

digambarkan sebagai sebuah kombinasi fungsi-fungsi logika. Aliran informasi

melalui jaringan mengasumsikan suatu langkah waktu unit sebuah signal berjalan

dari satu neuron ke neuron berikutnya (Kusumadewi, 2003:208)

Salah satu fitur dari neuron McColluch-Pitts yang banyak digunakan pada

neuron jaringan saraf tiruan dewasa ini adalah fitur ambang. Ide mengenai

ambang menyatakan bahwa jika input jaringan ke sebuah neuron lebih besar dari

nilai ambang maka unit akan mengeksekusi. Penelitian McColluch-Pitts

berikutnya (1947) mengedepankan isu-isu yang masih aktual sebagai bidang

penelitian saat ini, misalnya tranlasi dan rotasi pengenalan pola invariant.

Pada tahun 1950-an dan 1960-an jaman keemasan jaringan saraf tiruan

yaitu dikenalkan oleh Frank Rosenblatt bersama-sama dengan peneliti lainnya

(1958, 1959, 1962) memperkenalkan dan mengembangkan sebuah kelompok

13

besar jaringan saraf tiruan yang disebut perceptron. Perceptron paling tipikal

terdiri dari sebuah lapisan input (retina) yang terhubung oleh jalur-jalur, dengan

bobot-bobot tetap, ke neuron-neuron asosiator. bobot pada jalur–jalur koneksi

tersebut dapat diatur (Kusumadewi, 2003:208).

Metode adaline yang diperkenalkan oleh Bernard Widrow dan

mahasiswanya yang bernama Marcian Hoff (1960) mengembangkan sebuah

aturan pembelajaran yang berhubungan erat dengan aturan pembelajaran

perceptron. Aturan perceptron mengatur bobot-bobot koneksi ke sebuah unit

bilamana respon unitnya tidak benar (respon menunjukkan klasifikasi pola input).

Aturan delta mengatur bobot-bobot untuk mengurangi selisih antara input jaringan

ke unit output dengan output yang diinginkan. Hasilnya berupa error kuadrat

pertengahan yang paling kecil. Persamaan psikologi yang dikembangkan oleh

Rosenblatt dengan model teknik elektro yang dikembangkan oleh Windro dan

Hoff adalah bukti sifat interdisipliner jaringan saraf tiruan. Perbedaan dalam

aturan pembelajaran, meskipun sedikit, membawa kearah kemampuan yang lebih

baik dari jaringan untuk menggeneralisasi (Kusumadewi, 2003:208).

Pada tahun 1970-an adalah masa tenang, disamping demontrasi mengenai

keterbatasan perceptron (jaringan lapis tunggal) yang mengakibatkan turunnya

antusiasme para peneliti, penelitian mengenai jaringan saraf tiruan terus berlanjut,

di antaranya, Kohonen, Anderson, Grossberg, dan Cerpenter (Kusumadewi,

2003:208).

Tahun 1980-an antusiasme baru yaitu terlahir beberapa metode seperti

backpropagation, jaringan hopfield, neocognitron, mesin boltzmann,

implementasi perangkat keras. Dua buah alasan terjadinya masa tenang di tahun

14

1970-an adalah kegagalan perceptron lapis tunggal untuk memecahkan masalah

pemetaan sederhana, seperti fungsi XOR, dan kurangnya metode umum untuk

pelatihan jaringan saraf tiruan multi lapis. Sebenarnya sebuah metode untuk

menyiarkan informasi error pada unit output kembali ke unit-unit tersembunyi

telah ditemukan pada dekade sebelumnya oleh Werbos (1974) tetapi tidak

mendapat publisitas meluas (Kusumadewi, 2003:208).

Usaha manusia dalam mengembangkan suatu sistem yang meniru

kemampuan dan perilaku makhluk hidup telah berlangsung selama beberapa

dekade belakangan ini. Jaringan saraf tiruan merupakan hasil perkembangan ilmu

dan teknologi yang kini sedang berkembang pesat. Jaringan saraf tiruan yang

berupa susunan sel-sel neural network (neuron) dibangun berdasarkan prinsip-

prinsip organisasi otak manusia. Perhatian yang besar pada jaringan saraf tiruan

disebabkan adanya keunggulan yang dimilikinya seperti kemampuan untuk

belajar komputasi paralel, kemampuan untuk memodelkan fungsi nonlinier dan

sifat foult tolerance (Kusumadewi, 2003:208).

Jaringan saraf tiruan adalah suatu metode pengelompokan dan pemisahan

data yang prinsip kerjanya sama seperti neural network pada manusia. Elemen

mendasar dari paradigma tersebut adalah struktur yang baru dari sistem

pemrosesan informasi. Jaringan saraf tiruan dibentuk untuk memecahkan suatu

masalah tertentu seperti pengenalan pola atau klasifikasi karena proses

pembelajaran (Puspitaningrum, 2006:12).

Berpangkal dari kebenaran yang diperoleh ini, manusia berusaha untuk

menerapkannya dalam kehidupan sehari-hari. Dalam ilmu pengetahuan biasa

15

disebut dengan teknologi yang merupakan anak kandung dari ilmu pengetahuan

baik dalam sekala kecil maupun sekala besar.

Kembali pada ayat al-Quran yang pertama kali diturunkan adalah

penegasan bahwa, setiap aktivitas belajar dan juga penelitian harus disadari

dengan nilai ketuhanan. Perintah “membaca” dengan menyandarkan pada nama

Tuhan Yang Maha Mulia akan memberikan landasan yang kuat dalam setiap

kegiatan baik saat ilmuan mengadakan penelitian untuk menemukan suatu

kebenaran hinggga menggunakan hasil penemuannya.

Satu pertanyaan yang menarik dari salah seorang ilmuan di bidang

hubungan international yaitu Marwah Daud Ibrahim adalah, ada tiga hal yang

sepatutnya menjadi perhatian bagi ilmuan yang akan mengembangkan ilmu

pengetahuan dalam hal ini juga dalam penggunaannya. Pertama; pengembangan

ilmu pengetahuan memerlukan kerendahan hati. Ilmu pengetahuan adalah

Commond Beritage of Mankind (warisan bersama umat manusia). Tak satupun

ilmu pengetahuan atau teknologi yang dapat diklaim oleh suatu ras, bangsa atau

agama sebagai miliknya atau hasil pekerjaannya semata (Syafi‟ie, 2000:148).

Kedua; pengembangan ilmu pengetahuan dan teknologi memerlukan

solidaritas. Berbicara tentang masa depan pada dasarnya berbicara tentang masa

depan manusia yang ada di planet ini, dan pada dasarnya dunia ini semakin

interdependence artinya saling ketergantungan satu sama lain misalnya kejadian

di suatu negara mempunyai implikasi yang langsung pada bagian dunia yang lain.

Ketiga; pengembangan ilmu pengetahuan dan tekologi memerlukan

kerjasama antara ilmuan dan agamawan. Kini teknologi berkembang dengan

16

sangat pesat terutama dengan ditemukannya teknologi transportasi dan

komunikasi serta rekayasa genetika (Syafi‟ie, 2000:148).

Dengan melihat perkembangan ilmu yang semakin baik, maka dengan

demikian perkembangan ilmu dan pengaplikasiannya sangat penting untuk

ditingkatkan agar ilmu semakin meluas dan mampu menyelesaikan permasalahan

yang lebih rumit. Semakin banyak ilmu yang kita dapatkan dan semakin sering

diamalkan maka dengan sendirinya ilmu itu akan bertambah dan Allah akan

membalas kebaikan itu dengan balasan yang setimpal, seperti firman Allah dalam

surat an-Nisaa‟ ayat 162.

Artinya: tetapi orang-orang yang mendalam ilmunya di antara mereka dan

orang-orang mukmin, mereka beriman kepada apa yang telah

diturunkan kepadamu (Al-quran), dan apa yang telah diturunkan

sebelummu dan orang-orang yang mendirikan shalat, menunaikan zakat,

dan yang beriman kepada Allah dan hari kemudian. orang-orang itulah

yang akan kami berikan kepada mereka pahala yang besar (Qs. an-

Nisaa’/4:162).

Ada beberapa tipe jaringan saraf, namun demikian, hampir samuanya

memiliki komponen-komponen yang sama. Seperti halnya otak manusia, jaringan

saraf juga terdiri dari beberapa neuron dan ada hubungan antara neuron-neuron

tersebut. Neuron-neuron tersebut akan mentranformasikan informasi yang

diterima melalui sambungan keluarnya menuju ke neuron-neuron lainnya. Pada

17

jaringan saraf nama ini dikenal sebagai bobot. Informasi tersebut disimpan pada

suatu nilai tertentu pada bobot tersebut (Kusumadewi, 2003:209).

2.2 Konsep Dasar Jaringan Saraf Tiruan

Pembagian arsitektur jaringan saraf tiruan bisa dilihat dari kerangka kerja

dan skema interkoneksi. Kerangka kerja jaringan saraf tiruan dapat dilihat dari

jumlah lapisan (layer) dan jumlah node pada setiap lapisan.

Lapisan-lapisan penyusun jaringan saraf tiruan dapat dibagi menjadi tiga, yaitu:

1. Lapisan input

Node-node di dalam lapisan input disebut unit-unit input. Unit-unit input

menerima input dari dunia luar. Input yang dimasukkan merupakan

penggambaran dari suatu masalah (Puspitaningrum, 2006:9).

2. Lapisan tersembunyi

Node-node di dalam lapisan tersembunyi disebut unit-unit tersembunyi.

Output dari lapisan ini tidak secara langsung dapat diamati.

3. Lapisan output

Node-node dari lapisan output disebut unit-unit output. keluaran atau

output dari lapisan ini merupakan output jaringan saraf tiruan terhadap

suatu permasalahan.

2.3 Kegunaan dan Aplikasi Jaringan Saraf Tiruan

Menurut Kristanto (2004:34) ada beberapa aplikasi dari jaringan saraf

tiruan yang sekarang ini banyak digunakan dalam berbagai bidang, antara lain:

pemrosesan sinyal, pengenalan pola, kedokteran dan masih banyak lagi yang

lainnya.

18

1. Pemrosesan Sinyal

Ada banyak aplikasi jaringan saraf dalam area yang umum dari

pemrosesan sinyal. Salah satu dari aplikasi komersial pertama adalah untuk

menekan gangguan suara pada line telepon. Jaringan saraf yang digunakan

untuk tujuan ini adalah adaline. Kebutuhan untuk membatalkan gema

adaptive telah menjadi penekanan dengan perkembangan jaringan satelit

transkonental untuk sirkuit telepon jarak jauh.

2. Pengenalan Pola

Banyak masalah-masalah menarik yang masuk kedalam area umum

dari pengenalan pola. Sebuah area yang spesifik dimana banyak aplikasi

jaringan saraf telah dikembangkan adalah pengenalan otomatis dari karakter

tulisan (angka atau huruf). Variasi yang luas pada ukuran , posisi, bentuk

tulisan membuatnya menjadi masalah yang sulit untuk teknik konvensional.

Pada jaringan saraf dengan topologi multilayer seperti jaringan

backpropagation, telah digunakan untuk mengenali pola tulisan. Pendekatan

alternatif untuk masalah karakter tulisan disebut neocognitron. Jaringan ini

mempunyai beberapa lapisan, masing-masing dengan pola struktur dari

koneksi lapisan sebelumnya dan lapisan berikutnya. Tetapi latihan ini adalah

proses lapisan demi lapisan, dispesialisasikan untuk aplikasi.

3. Kedokteran

Salah satu dari banyak contoh dari aplikasi jaringan saraf kedokteran

dikembangkan pada pertengahan tahun 1980-an oleh Anderson dan kawan-

kawan. Contoh itu disebut instan physician. Ide dibalik aplikasi itu adalah

untuk melatih jaringan saraf memori auto associative. Untuk menyimpan

19

sejumlah data kedokteran, yang meliputi informasi pada gejala, diagnosis, dan

perawatan untuk hal-hal tertentu. Sesudah pelatihan jaringan dapat

dipresentasikan dengan input yang terdiri dari serangkaian gejala itu kemudian

menemukan pola penyimpanan yang mewakili diagnosis dan perawatan yang

terbaik.

2.4 Arsitektur Jaringan Saraf Tiruan

Jaringan saraf tiruan mempunyai beberapa arsitektur yang sering

digunakan, arsitektur yang digunakan dalam penelitian ini adalah jaringan dengan

banyak lapisan (multi layer net)

Jaringan dengan banyak lapisan memiliki 1 atau lebih lapisan yang terletak

diantara lapisan input dan lapisan output (memiliki 1 atau lebih lapisan

tersembunyi), seperti terlihat pada gambar 2.1. Umumnya terdapat lapisan bobot-

bobot yang terletak antara 2 lapisan yang bersebelahan. Jaringan dengan banyak

lapisan ini dapat menyelesaikan permasalahan yang lebih sulit dari pada lapisan

dengan lapisan tungggal, tentu saja dengan pembelajaran yang lebih rumit

(Hermawan, 2006:40).

20

Nilai input

Lapisan input

Matriks bobot

Matriks bobot ke-

Lapisan output

Nilai output

Gambar 2.1 Jaringan Saraf dengan Banyak Lapisan (Hermawan, 2006:40).

2.5 Fungsi Aktivasi

Seperti yang telah dijelaskan sebagian sebelumnya, operasi dasar dari

jaringan saraf tiruan meliputi penjumlahan bobot sinyal input dan menghasilkan

suatu output, atau fungsi aktivasi (Kristanto, 2004:28). Fungsi aktivasi yang

digunakan dalam penelitian ini adalah fungsi aktivasi sigmoid biner.

1. Fungsi Sigmoid Biner

Fungsi ini digunakan untuk jaringan saraf yang dilatih dengan

mengunakan metode backpropagation. Fungsi sigmoid biner memiliki nilai

pada range 0 sampai 1. Oleh karena itu, fungsi ini sering digunakan untuk

jaringan saraf yang membutuhkan nilai output yang terletak pada interval 0

sampai 1. Namun, fungsi ini juga digunakan oleh jaringan saraf yang nilai

outputnya 0 atau 1.

Data Data Data

Y

Data

21

Fungsi sigmoid biner dirumuskan sebagai berikut:

dengan: [ ]

Gambar 2.2 Fungsi Aktivasi Sigmoid Biner (Kusumadewi, 2003:218).

2.6 Backpropagation pada Jaringan Saraf Tiruan

Algoritma pelatihan jaringan perambatan galat mundur terdiri atas dua

langkah, yaitu perambatan maju dan mundur. Langkah perambatan maju dan

perambatan mundur ini dilakukan pada jaringan untuk setiap pola yang diberikan

selama jaringan mengalami pelatihan.

Jaringan galat mundur terdiri dari tiga lapisan atau lebih unit pengolah.

Lihat Gambar 2.3 menunjukkan jaringan perambatan galat mundur dengan tiga

lapisan pengolah, bagian kiri sebagai masukan, bagian tengah disebut sebagai

lapisan tersembunyi dan bagian kanan disebut lapisan keluaran. Ketiga lapisan ini

terhubung secara penuh

22

Gambar 2.3 Tiga Lapisan Jaringan Backpropagation (Hermawan, 2006:50).

2.6.1 Perambatan Maju

Perambatan maju dimulai dengan memberikan pola masukan kelapisan

masukan. Pola masukan ini merupakan nilai aktivasi unit-unit masukan. Dengan

melakukan perambatan maju dihitung nilai aktivasi pada unit-unit di lapisan

berikutnya. Pada setiap lapisan, tiap unit pengolah melakukan penjumlahan

berbobot dan menerapkan fungsi sigmoid untuk menghitung keluarannya.

Untuk menghitung nilai penjumlahan berbobot digunakan rumus:

∑

Dengan :

= Masukan yang berasal dari unit i

= Bobot sambungan dari unit ke unit

Setelah nilai dihutung, fungsi sigmoid diterapkan pada untuk

membentuk ). Fungsi sigmoid ini mempunyai persamaan:

1

X2

X3

1

X1 Z1

Z1

Zn

1

Y1

Y2

Y3

Yn

23

Elemen Pongalah

Gambar 2.4 Langkah Perambatan Maju (Hermawan, 2006:51).

2.6.2 Perambatan Mundur

Hasil perhitungan ( ) ini merupakan nilai aktivasi pada unit pengolah .

setelah perambatan maju selesai dikerjakan maka jaringan siap melakukan

perambatan mundur. Dalam perambatan mundur dilakukan proses menghitung

galat dan mengubah bobot pada semua interkoneksinya. Galat dihitung pada

semua unit pengolah dan bobotpun diubah pada semua sambungan. Perhitungan

dimulai pada lapisan keluaran dan mundur sampai lapisan masukan. Hasil

keluaran dari perambatan maju dibandingkan hasil keluaran yang diinginkan.

Berdasarkan perbedaan ini kemudian dihitung galat untuk tiap-tiap lapisan pada

jaringan. Pertama-tama menghitung galat untuk lapisan keluaran, kemudian setiap

bobot-bobot sambungan yang menuju kelapisan keluaran disesuaikan. Setelah itu

menghitung harga galat pada lapisan tersembunyi dan hitung perubahan bobot

yang menuju kelapisan tersembunyi. Demikian proses dilakukan mundur sampai

ke lapisan masukan secara iteratif. Jika adalah satu unit lapisan keluaran maka

galat lapisan keluaran dapat dihitung dengan rumus:

( ) ( )

0

0

24

Dengan:

= Keluaran yang diinginkan dari unit

= Keluaran dari unit

= Turunan dari fungsi sigmoid

= Hasil penjumlahan berbobot

1

0,25

-5 0 5 x -5 0 5 x

Gambar 2.5 Fungsi Sigmoid Beserta Turunannya (Hermawan, 2006:52).

Jika adalah salah satu lapisan tersembunyi, maka galat lapisan tersembuyi dapat

dihitung dengan menggunakan rumus:

k[∑ ( )]

Dengan:

= Perubahan bobot dari unit I ke unit j

= Laju belajar / konvergensi

= Galat lapisan tersembunyi

= Masukan yang berasal dari unit i

Variabel menyatakan suatu konstanta belajar yang berharga antara 0,25-

0,75. Nilai ini menunjukkan kecepatan belajar dari jaringan. Nilai yang terlalu

tinggi dapat menyebabkan jaringan menjadi tidak stabil sedangkan nilai yang

25

terlalu kecil dapat menjadikan waktu belajar yang lama. Oleh karena itu pemilihan

harus seoptimal mungkin agar didapatkan proses belajar yang cepat.

Jaringan perambatan mundur dilatih dengan metode terbimbing. Pada

metode ini jaringan diberi sekumpulan pasangan pola yang terdiri dari pola

masukan dan pola yang diinginkan. Pelatihan dilakukan berulang-ulang sehingga

dihasilkan jaringan yang memberi tanggapan yang benar terhadap semua

masukannya. Nilai “benar” disini ditunjukkan dengan nilai RMS / SSE galatnya

yang biasanya mempunyai nilai di bawah 0,1. Dengan nilai RMS/SSE di bawah

0.1 maka jaringan sudah boleh dikatakan terlatih.

Untuk mempercepat waktu pelatihan, prosedur perubahan bobot

dimodifikasi dengan menggunakan momentum nilai bobot ke t+1, hasilnya juga

ditentukan oleh nilai bobot ke (t) dan ke (t-1), yaitu selisihnya yang dikalikan

dengan suatu konstanta momentum (m) yang bernilai antara 0 dan 1.

2.6.3 Algoritma Pelatihan Backpropagation

Menurut Kurniawan (2006:33) terdiri dari dua tahapan, feedforward dan

backpropagation dari galatnya. Untuk jelasnya dapat dijelaskan rincian sebagai

berikut:

- langkah 0

Pemberian inisialisasi penimbang (diberi nilai kecil secara acak)

- langkah 1

Ulangi langkah 2 hingga 9 sampai kondisi akhir iterasi dipenuhi

- langkah 2

26

Untuk masing-masing pasangan data pelatihan (training data) lakukan langkah 3

hingga 8

- langkah 3

Masing-masing unit masukan ( , i = 1,…n) menerima sinyal masukan dan

sinyal tersebut disebarkan ke unit-unit bagian berikutnya (unit-unit lapis

tersembunyi)

- langkah 4

Masing-masing unit di lapis tersembunyi dikalikan dengan penimbang dan

dijumlahkan serta ditambah dengan biasnya

∑

Kemudian dihitung sesuai dengan fungsi pengaktif yang digunakan:

Bila yang digunakan adalah fungsi sigmoid maka bentuk fungsi tersebut adalah:

Sinyal keluaran dari fungsi pengaktif tersebut dikirim ke semua unit lapis keluaran

(unit keluaran).

- langkah 5

Masing-masing unit keluaran ( ) dikalikan dengan penimbang

dan dijumlahkan serta ditambah dengan biasnya:

∑

Kemudian dihitung kembali sesuai dengan fungsi pengaktif

27

- langkah 6

Masing-masing unit keluaran ( ) menerima pola target sesuai

dengan pola masukan saat pelatihan/training dan menghitung galatnya:

Karena = menggunakan fungsi sigmoid, maka:

( ) (

)

Menghitung perbaikan-perbaikan penimbang (kemudian untuk memperbaiki

).

Menghitung perbaikan koreksi:

dan menggunakan nilai delta ( ) pada unit lapis sebelumnya.

- langkah 7

Masing-masing penimbang yang menghubungkan unit-unit lapis keluaran dengan

unit-unit pada lapis tersembunyi ( , j=1,…p) dikalikan delta ( ) dan

dijumlahkan sebagai masukan ke unit-unit lapisan berikutnya.

∑

Selanjutnya dikalikan dengan turunan dari fungsi pengaktifnya untuk menghitung

galatnya.

Langkah berikutnya menghitung penimbang (digunakan untuk memperbaiki ).

28

Kemudian menghitung perbaikan bias (untuk memperbaiki )

Selanjutnya memperbaiki penimbang dan bias

- Langkah 8

Masing-masing keluaran unit ( , = 1,…m) memperbaiki bias dan

penimbangnya ( = 0,…p),

Masing-masing unit tersembunyi ( , = 1,…p) memperbaiki bias dan

penimbangnya ( = 0,…n).

- Langkah 9

Uji kondisi pemberhentian (akhiri iterasi)

Daftar Notasi:

= Pola masukan pelatihan ke-p, p = 1, 2,…,p < =1

= ( , ,… )

= Pola target keluaran dari pelatihan

= ( , ,… )

= Unit kepada lapis masukan

= Nilai pengaktif dari unit Xi

= Unit ke-j pada lapis tersembunyi

= Keluaran untuk unit

= Nilai pengaktif dari unit

= Unit ke-k pada lapis keluaran

= Keluaran untuk unit

29

= nilai pengaktif dari unit

= nilai penimbang pada bias untuk unit

= nilai penimbang dari ke unit

= selisih antara (t) dengan (t + 1)

= nilai penimbang dari unit ke unit

= selisih antara (t) dengan (t + 1)

= faktor pengendalian penimbang pada lapis keluaran

= faktor pengendalian nilai penimbang pada lapis tersembunyi

= konstanta laju pelatihan (learning rate) 0 < a < 1

= total galat

2.7 Inisialisasi Bobot dan Bias

2.7.1 Inisialisasi Acak

Prosedur yang umum dilakukan adalah menginisialisasi bias dan bobot,

baik dari unit input ke unit tersembunyi maupun dari unit tersembunyi ke unit

output ke dalam sebuah interval tertentu ( ), misalnya antara -0.4 sampai

0.4, -0.5, dan -1 sampai 1 (Puspitaningrum, 2006:134).

2.7.2 Inisialisasi Nguyen-Widrow

Waktu pembelajaran jaringan backpropagation yang bobot dan biasnya

diinisialisasi dengan inisialisasi Nguyen-Widrow lebih cepat dibanding bila

diinisialisasi dengan inisialisasi acak. Pada inisialisasi Nguyen-Widrow,

inisialisasi acak tetap terpakai tetapi digunakan untuk menginisialisasi bias dan

bobot dari unit tersembunyi ke unit output saja. Untuk bias dan bobot dari unit-

unit input ke unit-unit tersembunyi digunakan bias dan bobot yang khusus diskala

30

agar jatuh pada range tertentu. Dengan penskalaan maka diharapkan kemampuan

belajar dari unit-unit tersembunyi dapat meningkat.

Faktor skala Nguyen-Widrow ( ) didefinisikan sebagai:

Dengan:

n = Banyak unit input.

p = Banyak unit tersembunyi.

= Faktor skala.

Prosedur Inisialisasi Nguyen-Widrow

Untuk setiap unit tersembunyi dari unit ke-1 sampai unit ke-p:

1. Inisialisasi vektor bobot dari unit-unit input ke unit-unit tersembunyi ( =

1,...,p) dengan cara:

a. Menetukan bobot-bobot antara unit input ke unit tersembunyi ( ):

(lama) adalah bilangan acak antara – dan dimana = 1,…,n.

b. Menghitung ‖ ‖.

c. Menginisialisasi kembali :

‖ ‖

2. Menentukan bias antara unit input ke unit tersembunyi ( = 1,…,p): diset

dengan bilangan bilangan acak yang terletak pada skala antara – dan .

Sebuah eksperimen menarik untuk memecahkan masalah XOR dengan

jaringan backpropagation 2-4-1 dilakukan dengan 3 cara representasi:

representasi biner, bipolar, dan bipolar yang dimodifikasi, sedangkan inisialisasi

bobot dan bias dilakukan masing-masing dengan cara acak dan Nguyen-Widrow.

31

Adapun bipolar yang dimodifikasi adalah representasi bipolar yang nilai-nilai

target terpilihnya tidak berada pada asimtot fungsi sigmoid dengan harapan agar

konvergensi lebih cepat tercapai.

Berikut ini jumlah epoch yang dibutuhkan masing-masing pada representasi

biner, bipolar, dan bipolar yang dimodifikasi:

- Dengan inisialisasi acak: 2891, 387, dan 264

- Dengan inisialisasi Nguyen-Widrow: 1935, 224, dan 127.

Dapat disimpulkan bahwa penggunaan inisialisasi Nguyen-Widrow

mereduksi waktu yang dibutuhkan untuk melatih jaringan.

2.8 Lama Iterasi

Tujuan utama penggunaan backpropagation adalah mendapatkan

keseimbangan antara pengenalan pola pelatihan benar dan respon yang baik untuk

pola lain yang sejenis (disebut data pengujian). Jaringan dapat dilatih terus

menerus hingga semua pola pelatihan dikenali dengan benar. Akan tetapi hal itu

tidak menjamin jaringan akan mampu untuk mengenali pola pengujian dengan

tepat. Jadi tidaklah bermanfaat untuk meneruskan iterasi hingga semua kesalahan

pada pelatihan sama dengan 0.

Umumnya data dibagi menjadi dua bagian saling asing, yaitu pola data

yang dipakai sebagai pelatihan dan data yang dipakai untuk pengujian. Perubahan

bobot dilakukan pola pelatihan. Akan tetapi selama pelatihan (misal setiap 10

epoch), kesalahan yang terjadi berdasarkan semua data (pelatihan dan pengujian).

Selama kesalahan ini menurun, pelatihan terus dijalankan. Akan tetapi jika

kesalahannya terus meningkat, pelatihan tidak ada gunanya untuk diteruskan lagi.

32

Jaringan sudah mulai mengambil sifat yang hanya dimiliki secara spesifik oleh

data pelatihan (tapi tidak dimiliki oleh data pengujian) dan sudah mulai

kehilangan kemampuan melakukan generalisasi (Siang, 2009:112).

2.9 Pengertian Gizi

Gizi merupakan salah satu faktor penting yang menentukan tingkat

kesehatan dan kesejahteraan manusia. Keadaan gizi seseorang dikatakan baik

apabila terdapat keseimbangan dan keserasian antara perkembangan fisik dan

perkembangan mental orang tersebut.

Terdapat kaitan yang sangat erat antara tingkat keadaan gizi dengan

konsumsi makanan. Tingkat keadaan gizi optimal akan tercapai apabila kebutuhan

zat gizi optimal terpenuhi. Namun demikian, perlu diketahui bahwa keadaan gizi

seseorang dalam suatu masa bukan saja ditentukan oleh konsumsi zat gizi pada

saat itu saja, tetapi lebih banyak ditentukan oleh konsumsi zat gizi pada masa

yang telah lampau, bahkan jauh sebelum masa itu. Ini berarti bahwa konsumsi gizi

masa kanak-kanak memberi andil terhadap status gizi masa dewasa (Winarno,

1990:19-20).

2.9.1 Penilaian Status Gizi

Anggraeni & Aviarini (2010:37) menyatakan bahwa status gizi merupakan

ekpresi dari keadaan keseimbangan dalam bentuk variabel tertentu atau

perwujudan dari nutrisi dalam bentuk variabel tertentu. Sedangkan menurut

Supariasa (2001:18) macam-macam penilaian status gizi dibagi menjadi dua

yaitu penilaian status gizi secara langsung dan tidak langsung.

33

1. Penilaian Status Gizi Secara Langsung

Penilaian status gizi secara langsung dapat dibagi menjadi empat

penilaian yaitu antropometri, klinis, biokimia dan biofisik.

a. Antropometri

Metode antropometri yaitu menentukan status gizi dengan menggunakan

ukuran tubuh. Pengukuran antropometri merupakan cara yang paling mudah

dan tidak membutuhkan peralatan yang mahal.

b. Klinis

Penilaian status gizi secara klinis yaitu penilaian yang didasarkan pada

gejala yang muncul dari tubuh sebagai akibat dari kelebihan atau kekurangan

salah satu zat gizi tertentu. Setiap zat gizi memberikan tampilan klinis yang

berbeda, sehingga cara ini dianggap spesifik namun sangat subjektif.

c. Biokimia

Pemeriksaan gizi dilakukan secara laboratoris pada berbagai macam

jaringan tubuh. Jaringan tubuh yang digunakan antara lain : darah, urine, dan tinja.

d . Biofisik

Penilaian secara biofisik yaitu dengan mengukur elastisitas dan fungsi

jaringan tubuh. Cara ini jarang digunakan karena membutuhkan peralatan yang

canggih, mahal dan tenaga terampil.

2. Penilaian Status Gizi Secara Tidak Langsung

Penilaian status gizi secara tidak langsung dapat dibagi tiga, yaitu : survei

konsumsi makanan, statistik vital dan faktor ekologi.

a. Survei Konsumsi Makanan

Survei konsumsi makanan adalah metode penentuan status gizi secara

34

tidak langsung dengan melihat jumlah dan jenis zat gizi yang dikonsumsi.

Pengumpulan data konsumsi makanan dapat memberikan gambaran tentang

konsumsi berbagai zat gizi pada masyarakat, keluarga, dan individu.

b. Statistik Vital

Pengukuran status gizi dengan statistik vital adalah dengan menganalisis

beberapa data statistik kesehatan seperti angka kematian berdasarkan umur,

angka kesakitan dan kematian akibat penyebab tertentu dan data lainnya yang

berhubungan dengan gizi.

c. Faktor Ekologi

Mempelajari kondisi lingkunan berupa produksi pangan, pola makan,

sosial budaya, ekonomi dan variabel lain yang secara teoritis mempengaruhi status

gizi.

3. Indeks Antropometri

Menurut Supariasa (2001:56) indeks antropometri adalah kombinasi

antara beberapa parameter antropometri untuk menilai status gizi. Beberapa

indeks antropometri yang sering digunakan yaitu berat badan menurut umur

(BB/U), tinggi badan menurut umur (PB/U), berat badan menurut tinggi badan

(BB/PB), dan Indeks Massa Tubuh (IMT). Indeks BB/U, PB/U, BB/PB

digunakan untuk menilai status gizi anak-anak (kurang dari delapan belas tahun).

Sedangkan IMT digunakan untuk menilai status gizi orang dewasa (lebih dari

delapan belas tahun).

a. Berat Badan Menurut Umur (BB/U)

Berat badan adalah salah satu parameter yang memberikan gambaran

massa tubuh. Massa tubuh sangat sensitif terhadap perubahan-perubahan yang

35

mendadak, misalnya karena terserang penyakit infeksi, menurunnya nafsu makan

atau menurunnya jumlah makanan yang dikonsumsi.

b. Tinggi Badan Menurut Umur (TB/U)

Tinggi badan adalah salah satu ukuran pertumbuhan linier. Pada keadaan

normal, tinggi badan tumbuh seiring dengan pertambahan umur. Pertumbuhan

tinggi badan tidak seperti berat badan, relatif kurang sensitif terhadap masalah

kekurangan gizi dalam waktu yang singkat.

c. Berat Badan Menurut Tinggi Badan (BB/TB)

Berat badan memiliki hubungan yang linear dengan tinggi badan. Dalam

keadaan normal, perkembangan berat badan akan searah dengan pertumbuhan

tinggi badan dengan kecepatan tertentu. Indeks BB/TB tidak dipengaruhi oleh

umur.

d. Indeks Massa Tubuh (IMT)

IMT merupakan alat yang sederhana untuk memantau status gizi orang

dewasa, khususnya yang berkaitan dengan kekurangan dan kelebihan berat

badan. Penggunaan IMT hanya berlaku untuk orang dewasa berumur lebih dari 18

tahun dan tidak dapat diterapkan pada bayi, anak, remaja, ibu hamil, dan

olahragawan.

Untuk memantau kesehatan gizi masyarakat dalam jangka panjang dapat

digunakan sampel dari masyarakat tersebut yang merupakan bagian yang sangat

sensitif terhadap perubahan kondisi gizi di masyarakat itu. Kelompok anak balita

merupakan sampel yang memenuhi syarat demikian (Sediaoetama, 2004:45).

36

2.10 Pentingnya Ilmu dan Pengamalannya

Setiap ilmu memiliki peran penting dalam kehidupan sehari-hari, ilmu

agama ataupun ilmu duniawi yang saling melengkapi di antara keduanya.

Sehingga sangat disayangkan bila tidak mempelajarinya, karena ilmu agama dapat

menuntun dari kebutaan akan hal kebaikan, begitu juga dengan ilmu duniawi yang

dapat mencegah dari kepincangan akan hal urusan dunia. Seperti halnya ilmu

pengetahuan yang dibahas dalam skripsi ini, yaitu tentang status gizi balita yang

mempengaruhi kesehatan setiap orang di masa dewasa hingga tua.

Kesehatan seseorang diawali dari usia dini, dimana kesehatan dapat

melancarkan kelangsungan hidup seseorang. Bila kesehatan terjaga sejak balita

maka dapat dipastikan masa tua akan mengurangi tingkat penurunan kesehatan

yang lebih rendah. Sehingga dalam hal ini menuntut ilmu merupakan sebuah

kewajiban yang telah dipesankan oleh Nabi shalallahu „alaihi wa sallam :

“Menuntut ilmu adalah wajib bagi setiap muslim.” (HR. Ibnu Majah dan

dishahihkan al-Albani dalam Shahih Sunan Ibnu Majah).

Menuntut ilmu adalah kewajiban, sehingga setiap muslim dituntut untuk

belajar. Ketika ia telah memahami suatu ilmu maka iapun wajib pula

mengajarkannya kepada orang-orang yang belum paham. Dengan demikian, kelak

diharapkan takkan ada lagi kaum muslimin yang melakukan amalan sesuatu

namun ketika ia melakukan amalan tersebut ia tidak memiliki ilmu sebagai acuan

dalam mengamalkan perbuatan tersebut, terlebih perbuatan tersebut disandarkan

kedalam ibadah. Sungguh hal demikian yakni seseorang melakukan amalan akan

tetapi tidak memiliki ilmu di atasnya, Allah Swt mencelanya sebagaimana dalam

firman-Nya surat al-A‟raaf ayat 33.

37

Artinya: Katakanlah: “Tuhanku hanya mengharamkan perbuatan yang keji, baik

yang nampak ataupun yang tersembunyi, dan perbuatan dosa,

melanggar hak manusia tanpa alasan yang benar, (mengharamkan)

mempersekutukan Allah dengan sesuatu yang Allah tidak menurunkan

hujjah untuk itu dan (mengharamkan) mengada-adakan terhadap Allah

apa yang tidak kamu ketahui.” (Qs. al-A’raaf/7:33).

2.10.1 Manfaat Menuntut Ilmu Secara Umum

Menuntut ilmu akan mendatangkan manfaat yang sangat banyak bagi

siapapun yang melaksanakannya. Ia takkan merasa merugi kala menuntut ilmu.

Sebab dengannya Allah berikan kemuliaan. Di antara manfaat-manfaat menuntut

ilmu sebagai berikut.

Pertama, ia akan mampu memilah serta memilih mana yang benar dan mana yang

salah, ia pun takkan terpengaruh dengan orang lain dalam menjalankan sebuah

perbuatan. Secara otomatis seseorang yang telah memiliki ilmu dan terbiasa untuk

senantiasa menimba ilmu akan mudah baginya berada dalam keadaan yang tepat.

Sebab ia mengetahui konsekuensi dari melakukan sesuatu tanpa didasari oleh ilmu

seperti yang Allah firmankan dalam surat al-Isra ayat 36.

38

Artinya: “Dan janganlah kamu mengikuti apa yang kamu tidak mempunyai

pengetahuan tentangnya. Sesungguhnya pendengaran, penglihatan dan

hati, semuanya itu akan diminta pertanggungan jawabnya.” (Qs. al-

Isra/17:36).

Kedua, seseorang yang memiliki ilmu maka berarti ia telah menyelamatkan

dirinya dengan amalan-amalan yang senantiasa mengiringi dirinya sekalipun ia

telah wafat. Sebab ia memiliki ilmu dan mengamalkan ilmunya. Ia senantiasa

menjadikan ilmu tersebut bermanfaat bagi orang lain dan orang lain pun

merasakan manfaatnya hingga sekarang. Oleh karena itu ulama-ulama Islam

sangat tidak ingin ilmu tertahan hanya berhenti pada dirinya. Sebagian di antara

mereka menuliskan ilmu yang telah mereka miliki menjadi kitab-kitab yang

sampai sekarang masih dapat di nikmati isinya sekalipun sang penulis telah wafat.

Seperti Imam Bukhari, Imam Muslim, dan para periwayat hadits lainnya. Sebab

mereka senantiasa memegang teguh perkataan Nabi shalallahu „alaihi wa sallam :

“Jika manusia mati terputuslah amalnya kecuali tiga: shadaqah jariyah, atau

ilmu yang dia amalkan atau anak shalih yang mendoakannya.” (HR. Muslim dan

Ahmad)

Ketiga, ilmu adalah jalan menuju surga, dan barang siapa yang Allah kehendaki

kebaikan maka di antara tandanya tersebut ialah Allah memudahkan ia untuk

menjadikan baik segala urusannya. Seperti yang Nabi Muhammad Saw sabdakan:

“Barangsiapa menempuh jalan untuk mencari ilmu, maka Allah mudahkan

baginya jalan menuju surga.” (HR. Muslim).

39

“Siapa yang Allah kehendaki kebaikan, Allah akan pahamkan dia (masalah)

dien.” (HR. Bukhari).

Keempat, dari manfaat ilmu adalah, Allah akan mengangkat derajat bagi mereka-

mereka yang mau mencari, mengamalkan, mengajarkan, dan bersabar di atas ilmu

yang ia miliki. Hal ini sebagaimana yang Allah janjikan dalam firman-Nya surat

al-Mujadilah ayat 11.

Artinya: “Hai orang-orang beriman apabila kamu dikatakan kepadamu:

“Berlapang-lapanglah dalam majlis”, Maka lapangkanlah niscaya

Allah akan memberi kelapangan untukmu. dan apabila dikatakan:

“Berdirilah kamu”, Maka berdirilah, niscaya Allah akan meninggikan

orang-orang yang beriman di antaramu dan orang-orang yang diberi

ilmu pengetahuan beberapa derajat. dan Allah Maha Mengetahui apa

yang kamu kerjakan.” (Qs. al-Mujadilah/58:11).

Kelima dari keutamaan dan kegunaan menuntut ilmu ialah, pada salah satu

riwayat bahwasanya Nabi shalallahu „alaihi wa sallam mengatakan bahwa

seseorang yang menuntut ilmu dan mengajarkannya lebih baik dibandingkan

dengan shalat sunnah. Mengapa demikian? Hal ini disebabkan karena ilmu

memiliki manfaat bagi orang lain, sedangkan shalat sunnah hanya bermanfaat bagi

dirinya sendiri. Seperti dalam teks lengkap dari sabda Nabi tersebut:

“Keutamaan ilmu lebih baik dari keutamaan ibadah. Dan kunci agama adalah

bersikap wara’ (meninggalkan sesuatu yang dikhawatirkan memudharatkan di

40

akhirat).” (Diriwayatkan oleh Al-Bazzar, Abu Nu‟aim, Al-Hakim, dll, dari hadits

Hudzaifah Ibnul Yaman. Juga diriwayatkan oleh Ibnu Abi Syaibah dari Qais bin‟

Amr Al-Mula‟i, dishahihkan Al-Albani dalam Shahih Al-Jami‟ no. 4214. Lihat

pula Shahih Jami‟ Bayan Al-„Ilmi Wa Fadhlihi no. 27).

Maka penulis mengajak kaum muslimin untuk kembali mempelajari ilmu

yang bermanfaat bagi setiap manusia. Yang pertama dan paling utama ialah ilmu

agama dan tentunya itu akan bermanfaat bagi dirinya di akhirat kelak. Lalu setelah

itu diikutkan dengan ilmu yang bermanfaat bagi dunianya. Hal ini semata-mata

agar seorang muslim dapat berlaku seimbang dalam kehidupan sehari-harinya, hal

tersebut juga penting agar kelak ilmu agama yang ia miliki dapat membimbing

seseorang dalam mengarungi kehidupan dunia. Sehingga ia tak terkena celaan

Allah Swt dalam firman-Nya surat ar-Rum ayat 7.

Artinya: “Mereka hanya mengetahui yang lahir (saja) dari kehidupan dunia;

sedang mereka tentang (kehidupan) akhirat adalah lalai.” (Qs. ar-

Rum/30:7)

Dengan adanya ilmu agama pula, maka ia akan mampu menjadikan dunia sebagai

bagian dari jembatan untuk menuju kehidupan yang lebih abadi yakni akhirat

kelak (Diany, 2013).

41

BAB III

PEMBAHASAN

3.1 Deskripsi Data Status Gizi Balita Usia di Bawah 60 Bulan di UPT

Puskesmas Dinoyo Malang Tahun 2014

Dalam penentuan status gizi balita di UPT Puskesmas Dinoyo Malang

digunakan dua variabel unit input yaitu, variabel berat badan dan panjang badan,

deskripsi data yang digunakan adalah data status gizi balita yang diambil dari

UPT Puskesmas Dinoyo Malang Tahun 2014. Kemudian dianalisis dengan

program Minitab 14, dan menggunakan pengukuran indeks antropometri

berdasarkan standar WHO-2005. Dari penelitian ini data yang diambil sebanyak

69 pasien (balita), dengan data yang layak dijadikan sampel adalah sebanyak 37

pasien (balita), dari 37 pasien balita tersebut didapatkan status gizi sebagai

berikut: 7 pasien (balita) dengan status gizi sangat kurang, 10 pasien (balita)

dengan status gizi kurang, 15 pasien (balita) dengan kategori status gizi normal,

dan 5 pasien (balita) dengan status gizi lebih.

Selanjutnya akan dilakukan pengelompokan data status gizi balita usia di

bawah 60 Bulan berdasarkan pengukuran indeks antropometri dengan standar

WHO-2005 di UPT Puskesmas Dinoyo Malang Tahun 2014 sebagai berikut, lihat

Tabel 3.1.

42

Tabel 3.1 Data Asli Status Gizi Balita Berdasarkan Berat Badan Menurut Panjang

Badan (UPT Puskesmas Dinoyo Malang Tahun 2014).

Status Gizi Sangat

Kurang

Status Gizi Kurang Statuz Gizi Normal Status Gizi Lebih

BB PB BB PB BB PB BB PB

1.8 kg 45.0 cm 6.2 kg 66.5 cm 7.0 kg 66.5 cm 8.2 kg 60.5 cm





1.8 kg 45.0 cm 3.6 kg 55.0 cm 6.4 kg 60.0 cm

7.7 kg 77.5 cm 1.9 kg 45.0 cm 2.9 kg 50.0 cm

8.0 kg 77.0 cm 2.1 kg 45.0 cm

3.8 kg 55.5 cm 10.0 kg 76.5 cm

10.0 kg 88.0 cm 13.1 kg 89.5 cm

5.0 kg 59.0 cm

2.5 kg 45.5 cm

10.0 kg 77.5 cm

2.5 kg 45.5 cm

2.5 kg 45.0 cm

Berdasarkan data dari Tabel 3.1 tersebut selanjutnya dapat digambarkan

secara statistik status gizi balita di bawah umur 60 Bulan sebagai berikut:

Tabel 3.2 Deskripsi Data Keseluruhan Status Gizi Balita Usia di Bawah Umur 60

Bulan.

Deskripsi statistik: status gizi balita di UPT Puskesmas Dinoyo Malang Tahun 2014

Variable Mean SE Mean StDev Variance Sum Of Squares Minimum Q1

Berat badan 6.116 kg 0.643 3.914 15.319 1935.570 1.600 kg 2.500

Panjang badan 62.68 cm 2.74 16.66 277.45 155333.00 45.00 cm 45.50

Variable Median Q3 Maximum

Berat badan 6.000 9.100 16.000 kg

Panjang badan 60.00 77.50 99.50 cm

Deskripsi hasil data keseluruhan status gizi balita di bawah umur 60 Bulan

didapatkan rata-rata untuk berat badan sebesar 6.116 kg dengan SE mean 0.643 kg

dan panjang badan 62.68 cm dengan SE mean 2.74 cm. Dengan menggunakan

perbandingan indeks antropometri standart WHO-2005 status berat badan 6.116

43

kg dengan panjang badan 62.68 cm berada pada kategori status gizi normal pada

range 5.7 kg-7.9 kg. untuk nilai minimum berat badan 1.600 kg dengan panjang

badan 45.00 cm dengan range di bawah 1.9 kg adalah termasuk kategori status

gizi balita sangat kurus, kemudian untuk nilai maximumnya berat badan

didapatkan 16.000 kg dan panjang badan 99.50 cm dengan range 12.8 kg-17.8 kg

masuk dalam kategori status gizi normal untuk balita usia di bawah 60 Bulan.

Selanjutnya untuk grafik data keseluruhan status gizi balita dapat

digambarkan sebagai berikut:

Gambar 3.1 Histogram Data Keseluruhan Status Gizi Balita Usia di Bawah 60 Bulan.

Dari tabel 3.1 tersebut selanjutnya akan diuraikan menurut kategori status

gizi balita masing-masing yang telah diukur menggunakan indeks antropometri

standart WHO-2005 usia di bawah 60 Bulan yaitu sebagai berikut:

Data

Fre

qu

en

cy

100806040200

40

30

20

10

0

Mean StDev N

6,116 3,914 37

62,68 16,66 37

Variable

Berat Badan

Panjang Badan

Data Keseluruhan Status Gizi Balita Usia di Bawah 60 BulanNormal

44

3.1.1 Status Gizi Sangat Kurang

Deskripsi data untuk status gizi balita sangat kurang sesuai indeks

antropometri berdasarkan standar WHO-2005 sebagai berikut:

Tabel 3.3 Deskripsi Data Status Gizi Sangat Kurang di UPT Puskesmas Dinoyo

Malang Tahun 2014.

Deskripsi statistik: status gizi sangat kurang di UPT Puskesmas Dinoyo Malang

Tahun 2014

Variable Mean SE Mean StDev Variance Minimum Q1 Median Q3

Berat badan 4,33 kg 1,27 3,36 11,32 1,60 kg 1,80 2,40 7,70

Panjang badan 60,14 cm 7,38 19,53 381,31 45,00 cm 45,00 50,50 77,50

Variable Maximum Range

Berat badan 10,00 kg 8,40

Panjang badan 95,00 cm 50,00

Deskripsi data status gizi sangat kurang sesuai dengan kategori status gizi

berdasarkan standart WHO–2005 di UPT Puskesmas Dinoyo Malang Tahun

2014, dalam kategori balita usia di bawah 60 Bulan diperoleh rata-rata berat badan

balita adalah 4,33 kg dengan standart error rata–rata sebesar 1,27 kg, standart

deviasi sebesar 3,36 kg dengan nilai terendah sebesar 1,60 kg pada balita usia di

bawah 60 Bulan dan nilai maximumnya sebesar 10,00 kg, sedangkan untuk

panjang badan didapatkan rata–rata 60,14 cm, standart error rata–rata sebesar

7,38 cm, dengan nilai terendah sebesar 45,00 cm dan nilai maximumnya sebesar

95,00 cm.

45

Gambar 3.2 Scatterplot Status Gizi Sangat Kurang di UPT Puskesmas Dinoyo Malang.

3.1.2 Status Gizi Kurang

Kemudian deskripsi data status gizi kurang sesuai dengan kategori status

gizi berdasarkan indeks antropometri standar WHO–2005 di UPT Puskesmas

Dinoyo Malang Tahun 2014, dapat dilihat pada tabel di bawah ini.

Tabel 3.4 Deskripsi Data Status Gizi Kurang di UPT Puskesmas Dinoyo Malang.

Deskripsi statistik: status gizi kurang di UPT Puskesmas Dinoyo Malang Tahun 2014


Berat badan 5,700 kg 0,883 2,792 7,796 1,900 kg 3,175 6,100 8,050





Dari hasil analisis tabel 3.4 bahwa berat badan memiliki rata–rata 5,700 kg,

dalam kategori balita usia di bawah 60 Bulan, standart error rata–rata sebesar

0,883 kg, standart deviasi sebesar 2,792 dengan nilai terendah sebesar 1,900 kg

panjang badan

be

rat

ba

da

n

100908070605040

10

9

8

7

6

5

4

3

2

1

Status gizi sangat kurang

46

dan nilai maximumnya sebesar 10,00 kg, sedangkan untuk panjang badan

didapatkan rata–rata 64,90 cm, standart error rata–rata sebesar 4,59 cm, dengan

nilai terendah sebesar 45,00 cm dan nilai maximumnya sebesar 88,00 cm.

Gambar 3.3 Scatterplot Status Gizi Kurang di UPT Puskesmas Dinoyo Malang

3.1.3 Status Gizi Normal

Selanjutnya deskripsi data status gizi normal sesuai dengan kategori status

gizi berdasarkan standar WHO–2005 di UPT Puskesmas Dinoyo Malang Tahun

2014, dapat dilihat pada tabel dibawah ini.

Tabel 3.5 Deskripsi Data Status Gizi Normal di UPT Puskesmas Dinoyo Malang

Tahun 2014. Deskripsi statistik: status gizi normal di UPT Puskesmas Dinoyo Malang Tahun 2014


Berat badan 6,31kg 1,17 4,53 20,53 2,10 kg 2,50 5,00 10,00





panjang badan

be

rat

ba

da

n

908070605040

10

9

8

7

6

5

4

3

2

1

Status gizi kurang

47

Dari hasil analisis tabel 3.5 bahwa berat badan memiliki rata–rata 6.31 kg,

dalam kategori balita usia di bawah 60 Bulan, standart error rata–rata 1,17 kg,

dengan nilai terendah sebesar 2,10 kg dan nilai maximumnya sebesar 16,00 kg,

sedangkan untuk panjang badan didapatkan rata–rata 61,80 cm, standart error

rata–rata sebesar 4,76 cm, dengan nilai terendah sebesar 45,00 cm dan nilai

maximumnya sebesar 99,50 cm

Gambar 3.4 Scatterplot Status Gizi Normal di UPT Puskesmas Dinoyo Malang Tahun 2014

3.1.4 Status Gizi Lebih

Kemudian deskripsi data status gizi lebih sesuai dengan kategori status gizi

berdasarkan standar WHO–2005 di UPT Puskesmas Dinoyo Malang Tahun 2014,

dapat dilihat dari tabel di bawah ini.

Tabel 3.6 Deskripsi Data Status Gizi Lebih di UPT Puskesmas Dinoyo Malang

Deskripsi statistik: status gizi lebih di UPT Puskesmas Dinoyo Malang Tahun 2014


Berat badan 8,86 kg 1,78 3,99 15,92 3,50 kg 5,25 8,20 12,80





panjang badan

bera

t ba

dan

100908070605040

16

14

12

10

8

6

4

2

Status gizi normal

48

Dari hasil analisis tabel 3.6 bahwa berat badan memiliki rata–rata 8,86 kg,

kategori balita usia di bawah 60 Bulan standart error rata–rata sebesar 1,78 kg,

dengan nilai terendah sebesar 3,50 kg dan nilai maximumnya sebesar 12,90 kg,

sedangkan untuk panjang badan didapatkan rata–rata 64,20 cm, standart error

rata–rata sebesar 6,79 cm, dengan nilai terendah sebesar 45,50 cm dan nilai

maximumnya sebesar 80,00 cm.

Gambar 3.5 Scatterplot Status Gizi Lebih di UPT Puskesmas Dinoyo Malang Tahun 2014.

3.2 Memodelkan Status Gizi Balita Dengan Jaringan Saraf Tiruan

3.2.1 Menetapkan Input

Pada penentuan input data dipengaruhi oleh dua variabel yaitu berat badan

dan panjang badan, dari dua variabel tersebut selanjutnya akan diklasifikasikan

menjadi empat keluaran status gizi balita yaitu: status gizi sangat kurang, status

gizi kurang, status gizi normal dan status gizi lebih.

panjang badan

be

rat

ba

da

n

8075706560555045

14

12

10

8

6

4

Status gizi lebih

49

3.2.2 Proses Kerja Jaringan Saraf Tiruan

Proses kerja jaringan yang akan dilakukan sesuai dengan langkah-

langkahnya yaitu fase 1 feedforward dengan langkah-langkahnya, fase 2

backpopagation dengan langkah-langkahnya, dan fase 3 perubahan bobot dengan

langkah-langkahnya. Pada proses kerja jaringan ini yang dilakukan adalah iterasi

pertama untuk pola pertama. Data yang diambil dari data pelatihan pada pola

pertama yaitu ( = 0.1010, = 0.6353, = 0.25, = 0.50, = 0.75, = 1).

Data pelatihan gunanya untuk melatih jaringan, proses pelatihan ini

dilakukan untuk mencari konfigurasi terbaik dengan cara mengubah konstanta

belajar dan jumlah lapisan tersembunyi secara coba-coba (trial and error).

Fase 1: Feedforward

Cara kerja jaringan untuk iterasi pertama dan pola pertama dari data

pelatihan, berikut langkah-langkahnya:

inisialisasi bobot yang terhubung ke hidden layer dengan bilangan acak.

= 0.3 = 0.1

= 0.2 = 0.4

1 = 0.1 = -0.1

Langkah 4 : Hitung keluaran unit tersembunyi

2

01

j j i jii

net v x vz

0.1 + 0.1010 (0.3) + 0.6353 (0.2) = 0.2574

-0.1 + 0.1010 (0.1) + 0.6353 (0.4) = 0.1642

Aktifkan keluaran unit tersembunyi dengan fungsi aktivasi:

( )

= 0.5640

50

= 0.5410

Inisialisasi bobot yang terhubung ke unit keluaran dengan bilangan acak kecil.

= 0.3 = 0.2 = 0.1 = -0.1

= 0.1 = -0.2 = 0.1 = 0.2

1 = -0.1 = 0.3 = 0.1 = 0.4

Langkah 5: Hitung keluaran unit

3

01

_jk k jk

j

y net w wz

= -0.1 + 0.5640(0.3) + 0.5410(0.2) = 0.1774

= 0.3 + 0.5640(0.2) + 0.5410(-0.2) = -0.3046

= 0.1 + 0.5640(0.1) + 0.5410(0.1) = 0.2105

= 0.4 + 0.5640(-0.1) + 0.5410(0.2) = 0.4518

Aktifkan keluaran dengan fungsi aktivasi

( )

0.5442

0.5756

0.5524

0.6111

Fase 2: Backpopagation

Langkah 6 : Hitung faktor di unit keluaran

( ) ( )= ( ) ( )

= (0.25-0.5542) 0.5542 (1-0.5542) = -0.0730

= (0.50-0.5756) 0.5756 (1-0.5756) = -0.0185

= (0.75-0.5524) 0.5524 (1-0.5524) = 0.0489/0.0488

= (1-0.6111) 0.6111 (1-0.6111) = 0.0924

Suku berubahan bobot (dengan = 0.1)

51

= 0.1(-0.0730)(1) = -0.0073

= 0.1(-0.0185)(1) = -0.0087

= 0.1(0.0488)(1) = 0.0049

= 0.1(0.0924)(1) = 0.0092

= 0.1(-0.0730)(0.5640) = -0.0041

= 0.1(0.0185)(0.5640) = 0.0010

= 0.1(0.0488)(0.5640) = 0.0028

= 0.1(0.0924)(0.5640) = 0.0052

= 0.1-(0.0730)(0.5410) = -0.0039

= 0.1(0.0185)( 0.5410) = -0.0010

= 0.1(0.0488)( 0.5410) = 0.0026

= 0.1(0.0924)( 0.5410) = 0.0052

Langkah 7: Hitung penjumlahan kesalahan dari unit tersembunyi (= )

∑

= -0.0730(0.3) - 0.0185(0.2) + 0.489(0.1) + 0.0924(-0.1) = -0.0299

= -0.0730(0.2) - 0.0185(-0.2) + 0.0489(0.1) + 0.0924(0.2) = 0.0125

Faktor kesalahan di unit tersembunyi

( ) ( )

= -0.0299(0.5640) (1-0.5640) = -0.0074

= 0.0125 (0.5410) (1-0.5410) = 0.0031

Suku perubahan bobot ke unit tersembunyi (j=1,2; i=0,1,2)

= 0.1-(0.0074)(1) = -0.7364/-7.4000e-004

= 0.1(0.0031)(1) = 0.3096/3.1000e-004

= 0.1-(0.0074)(0.1010) = -0.0744/-7.4740e-005

= 0.1-(0.0074)(0.6353) = -0.4686/-4.7012e-004

= 0.1-(0.0031)(0.1010) = 0.0313/3.1310e-005

52

= 0.1-(0.0031)(0.6353) = 0.2030/1.9694e-004

Fase 3 : Perubahan bobot

Langkah 8: Hitung semua perubahan bobot

Karena pada penelitian ini data lebih dari satu, maka metode yang

digunakan adalah metode kelompok, dimana perubahan bobot dilakukan setelah

penjumlahan delta bobot dan bobot awal dari beberapa data yang digunakan.

Perhitungan diatas adalah perhitungan iterasi pertama untuk pola pertama

dari data pelatihan. Karena pada eterasi pertama nilai keluaran masih jauh dengan

target maka harus dilakukan pengulangan sampai mendapatkan mean square error

yang sangat kecil.

3.2.3 Hasil Analisis Jaringan Saraf Tiruan dengan Metode Backpropagation

Jaringan saraf tiruan pada umumnya adalah untuk pengelompokan dan

pemisahan data yang proses kerjanya meniru jaringan saraf pada manusia.

Jaringan saraf tiruan mampu mengelompokkan suatu data yang telah diketahui

sebelumnya. Sesuai dengan sistem kerjanya diatas maka jaringan saraf tiruan

terdiri dari beberapa lapisan yaitu lapisan masukan, lapisan tersembunyi, dan

lapisan keluaran. Setiap lapisan terdiri dari beberapa neuron dan setiap neuron

terhubung ke neuron terdekat pada lapisan diatasnya. Setiap lapisan diberi

pembobot yang akan metranformasi nilai input menjadi output.

Untuk mengetahui kestabilan hasil pendeteksian menggunakan jaringan

saraf tiruan dengan metode backpropagation, maka dipilih data acak status gizi

balita usia di bawah 60 Bulan sebanyak 23 pola yang kemudian dilakukan proses

trial and error untuk jumlah hidden node hingga dapat diperoleh jumlah hidden

node yang optimal, lama pelatihan dan nilai mean square error yang minimum.

53

Kemudian dari hasil pelatihan yang optimal maka akan digunakan untuk melatih

data pengujian. Dari hasil analisis data pelatihan yang telah dilatih seperti pada

tabel dibawah ini:

Tabel 3.7: Hasil Analisis Jaringan Saraf Tiruan dengan Perubahan Iterations dan

Laju Pemahaman untuk Mendapatkan Arsitektur yang Optimal

No Hidden node Iterations Laju

pemahaman a

mean square error

1 10 1000 0.1 3.1296e-005

2 10 1000 0.2 1.7302e-005

3 10 1000 0.3 1.2294e-005

4 10 1000 0.4 9.4335e-006

5 10 1000 0.5 7.4875e-006

6 10 1000 0.6 6.0494e-006

7 10 1000 0.9 2.8372e-005

Dengan pemberian epoch maximum yang telah diberikan pelatihan

dihentikan, dan menghasilkan mean square error yang berbeda bahkan lebih kecil

dari MSE standar yaitu 0.0001 pada pemberian iterasi 1000, namun dengan

memperbesar laju pemahaman yaitu 0.2 pada iterasi ke 1000 nilai mean

square error lebih kecil, namun jika pemberian nilai pada laju pemahaman terlalu

besar, maka proses pelatihan tidak stabil dan akan sampai pada titik minimum

lokal. Dari proses trial and error pada data pelatihan, maka yang akan digunakan

pada pelatihan data pengujian adalah laju pemahaman 0.6 dengan hidden

node 10 dan iteration 1000.

Selanjutnya akan dilakukan pelatihan data pengujian dengan laju

pemahaman 0.6 dengan pemberian iterasi 1000, nilai keluaran yang

dihasilkan tidak stabil dan nilai means square error cukup besar, sehingga

pelatihan data akan mengambil nilai laju pemahaman yang lebih kecil yaitu

54

0.2, maka nilai keluarannya dapat dilihat pada lampiran dengan means square

error yang dihasilkan sebesar 1.1904e-005

Gambar 3.6 Plot Pelatihan Data Pengujian dengan Laju Pemahaman a = 0.2 dengan Pemberian

Iterasi 1000.

Dari gambar di atas nilai mean square error yang di dapatkan sudah cukup

kecil yaitu 0.00001 dan dapat dilihat dari hasil keluaran seperti pada lampiran di

atas untuk setiap datanya, semua data mendekati target yang diberikan, sesuai

dengan gambar yang diberikan bahwa data yang memiliki nilai error lebih besar

dan ada beberapa data yang errornya besar yaitu pada data yang mendekati target

0.75.

3.2.4 Pemodelan Arsitektur Status Gizi Balita dengan Jaringan Saraf

Tiruan

Pemodelan status gizi balita dengan prosedur jaringan saraf tiruan yang

bertujuan untuk menentukan bentuk arsitektur jaringan yang optimal. Untuk itu

55

memilih arsitektur terbaik dilakukan dengan mencari kombinasi terbaik dari input

dan jumlah hidden layer.

Tidak ada prosedur umum yang dapat digunakan untuk menentukan jumlah

input, jumlah hidden layer dan jumlah node pada masing-masing hidden layer.

Dimana semua ini dilakukan dengan cara coba-coba (trial and error). Dalam

penelitian ini digunakan satu hidden layer agar jumlah bobot yang ditaksir tidak

terlalu banyak serta nilai mean square error yang dihasilkan juga sudah

berpengaruh sebagai kriteria pembanding. Dengan fungsi aktivasi yang digunakan

adalah logistik sigmoid untuk hidden layer dan output layer.

3.2.5 Penentuan Arsitektur Jaringan yang Optimal

Seperti yang telah dijelaskan di atas, belum ada prosedur yang dapat

digunakan untuk menentukan input dan jumlah hidden node yang optimal. Semua

dilakukan dengan cara coba-coba (trial and error).

Pada tahap penentuan arsitektur jaringan ini bertujuan untuk menentukan

bentuk arsitektur yang optimal dengan cara mencari kombinasi maksimal dari

nilai masukan (input), jumlah layar tersembunyi (hidden layer) dan nilai keluaran

(output) diperoleh dengan cara melakukan suatu proses trial and error hingga

mendapatkan suatu kombinasi nilai masukan (input), jumlah layar tersembunyi

(hidden layer) dan nilai keluaran (output) yang memberikan hasil pengelompokan

yang maksimal dan nilai mean square error yang minimum.

Dalam penelitian ini akan digunakan prosedur yang pernah dilakukan

Ripley (1996). Prosedur ini relatif memberikan kombinasi trial and error yang

lebih sedikit. Langkah-langkah prosedur ini adalah sebagai berikut:

56

1. Menentukan arsitektur awal dengan jumlah input adalah banyaknya

kelompok yang akan diuji yang berpengaruh pada nilai output.

2. Menentukan jumlah hidden node pada hidden layer (trial and error).

3. Menentukan fungsi aktivasi.

4. Mengevaluasi pemilihan model terbaik yang merupakan kombinasi antara

input dan neuron dari langkah 2, serta menentukan arsitektur jaringan terbaik

dari beberapa kombinasi yang telah dicoba.

Sehingga pada langkah-langkah yang sudah dijelaskan di atas pada proses

trial and error ini akan menggunakan 2 unit masukan (input), 1 unit layar

tersembunyi (hidden layer) dan 4 nilai keluaran (output) dengan fungsi aktivasi

yang digunakan adalah fungsi sigmoid biner untuk layar tersembunyi (hidden

layer) dan nilai keluaran (output).

Pada saat proses pengelompokan data, akan dilakukan proses trial and error

untuk melihat arsitektur jaringan yang paling optimal. Proses tersebut akan

dilakukan secara berulang-ulang untuk meghasilkan arsitektur jaringan yang

optimal dengan jumlah layar tersembunyi (hidden layer) yang berbeda pada setiap

perulangan.

Sebagaimana penjelasan yang tertera di atas, maka dapat diketahui arsitektur

jaringan yang paling optimal untuk mendeteksi status gizi balita yaitu arsitektur

jaringan yang terdiri dari 2 unit input, 10 hidden node pada 1 hidden layer, dan 4

unit output. Karena pada arsitektur jaringan tersebut menghasilkan suatu nilai

mean square error yang sudah minimum yang mana nilai yang dihasilkan sudah

maksimal dalam mendeteksi status gizi balita. Arsitektur jaringan saraf tiruan ini

dapat dilihat pada Gambar 3.7 sebagai berikut:

57

bias 1

Input

Output layer

Hidden layer

bias 2

Gambar 3.7 Arsitektur Jaringan Saraf Tiruan yang Optimal dari Data Status Gizi Balita Usia di

Bawah 60 Bulan di UPT Puskesmas Dinoyo Malang Tahun 2014 dengan 2 Unit Input,

10 Hidden Node, 4 Unit Output

Arsitektur jaringan saraf tiruan yang optimal dalam mendeteksi status gizi

balita yaitu terdapat 2 unit input, 1 hidden layer yang memiliki 10 hidden node,

dan 4 unit output. Setiap node terhubung pada node di atasnya yaitu unit input

terhubung pada setiap hidden node, kemudian setiap hidden node terhubung pada

unit output, setiap node-node yang terhubung memiliki nilai bobot yang berbeda

pula. Sebagai contoh diambil data status gizi balita usia di bawah 60 Bulan di

UPT Puskesmas Dinoyo Malang Tahun 2014 yang dijalankan dengan program

Matlab 7.8.0.

b1

37 BB

37 PB

Z1

Z2

Z3

Z10

b2

15 Normal

5 Lebih

7 S.Kurang

10 Kurang

58

3.3 Jaringan Saraf Tiruan Menurut Pandangan Islam

Seiring berjalannya waktu dari tahun ke tahun manusia selalu mencari jalan

keluar untuk menyelesaikan permasalahan yang mungkin sulit untuk dipecahkan,

namun Tuhan selalu membukakan jalan bagi mereka yang bersungguh-sungguh

dan ingin belajar untuk memahami kesulitan tersebut, dan berdoa meminta

kemudahan atas kesulitan yang dihadapinya. Seperti firman Allah Swt dalam al-

Quran surat an-Naml ayat 62 yang berbunyi

Artinya: Atau siapakah yang memperkenankan (do’a) orang yang dalam kesulitan

apabila ia berdo’a kepada-Nya, dan yang menghilangkan kesusahan

dan yang menjadikan kamu (manusia) sebagai khalifah di bumi?

Apakah disamping Allah ada Tuhan (yang lain)? Amat sedikitlah kamu

mengingati(Nya) (Qs. an-Naml/27:62).

Dari ayat di atas maka dapat disimpulkan bahwa kesulitan akan terpecahkan

apabila seseorang berdo’a dan berusaha, dan setiap kesulitan itu pasti ada jalan

keluarnya. Begitu juga dengan aplikasi jaringan saraf tiruan, yang mana jaringan

saraf tiruan membantu mempermudah dalam pengelompokan kasus-kasus yang

terjadi didunia ini. Hal ini membantu mempermudah umat manusia dalam

menyelesaikan masalah-masalah yang sulit dipecahkan, Allah menurunkan di

antara sebagian ilmu dari ilmu-ilmu Allah yang luas agar dapat dimanfaatkan oleh

hamba-Nya. Seperti firman Allah Swt dalam al-Quran surat al-Luqman ayat 27

yang berbunyi:

59

Artinya: Dan seandainya pohon-pohon di bumi menjadi pena dan laut (menjadi

tinta), ditambahkan kepadanya tujuh laut (lagi) sesudah (kering)nya,

niscaya tidak akan habis-habisnya (dituliskan) kalimat Allah[1183].

Sesungguhnya Allah Maha Perkasa lagi Maha Bijaksana (Qs. al-

Luqman/31:27).

[1183] Yang dimaksud dengan kalimat Allah ialah: ilmu-Nya dan Hikmat-Nya.

Begitu luas ilmu Allah sampai ciptaan-Nya tidak akan mampu menulisnya.

Namun bila berusaha untuk mempelajari ilmu-ilmu Allah, maka sebagian ilmu-

Nya akan diturunkan. Ini menunjukkan bahwa betapa bermanfaatnya jika mau

meneliti dan mempelajari ciptaan Allah, dan manfaat itu hanya diperuntukkan

bagi umatnya yang mau berpikir.

60

BAB IV

PENUTUP

4.1 Kesimpulan

Berdasarkan uraian dan pembahasan diatas maka dapat disimpulkan sebagai

berikut:

1. Nilai means square error yang minimum dari data status gizi balita dengan

metode backpropagation adalah 0.00001, yang didapatkan dari pelatihan

dengan pemberian iterasi 1000 dan laju pemahaman .

2. Model arsitektur jaringan saraf tiruan pada status gizi balita, yaitu arsitektur

jaringan yang terdiri dari 2 unit input, 10 hidden node pada 1 hidden layer,

dan 4 unit output. Karena pada arsitektur jaringan tersebut menghasilkan suatu

nilai mean square error yang sudah minimum yang mana nilai yang

dihasilkan sudah maksimal dalam mendeteksi status gizi balita.

4.2 Saran

Berdasarkan hasil penelitian ini, maka penulis memberikan beberapa saran

yang perlu menjadi bahan pertimbangan, yaitu sebagai berikut:

1. Untuk penelitian selanjutnya, dapat dilakukan dengan meneliti kemampuan

jaringan saraf tiruan dengan struktur hidden layer lebih dari satu dengan

hidden node yang lebih sedikit.

2. Ada baiknya suatu saat nanti dilakukan penelitian untuk membandingkan

dengan metode-metode jaringan saraf tiruan yang lain.

61

DAFTAR PUSTAKA

Anggraeni, R. & Aviarini, I.. 2010. Klasifikasi Status Gizi Balita Berdasarkan

Indeks Antropometri (BB/U) Menggunakan Jaringan Syaraf Tiruan.

SNASTI 2010. ICCS-18.2010.

Hermawan, A. 2006. Jaringan Saraf Tiruan, Teori dan Aplikasi. Yogyakarta:

Penerbit Andi

Kristanto, A.. 2004. Jaringan Syaraf Tiruan; Konsep Dasar, Agoritma dan

Aplikasinya. Yogyakarta: Gava Media.

Kurniawan, M..2006. Supervised Neural Networks dan Aplikasinya. Yogyakarta:

Garaha Ilmu

Kusumadewi, S.. 2003. Artificial Intelligence (Teknik dan Aplikasinya).

Yogyakarta: Graha Ilmu.

Kusumadewi, S.. 2004. Membangun Jaringan Syaraf Tiruan Menggunakan

Matlab dan Excel Link. Yogyakarta: Graha Ilmu.

Mardalis. 1990. Metode Penelitian Suatu Pendekatan Proposal. Jakarta: PT

Melton Putra.

Puspitaningrum, D.. 2006. Pengantar Jaringan Syaraf Tiruan. Yogyakarta:

Penerbit Andi.

Ripley, B.D.. 1996. Pattern Recognition and Neural Network. Cambridge:

University Press.

Siang, J.J.. 2009. Jaringan Syaraf Tiruan dan Pemogramannya Menggunakan

Matlab. Yogyakarta: Penerbit Andi.

Sediaoetama, A.D.. 2004. Ilmu Gizi Untuk Mahasiswa dan Profesi. Jilid 2.

Jakarta: Dian Rakyat.

Supariasa, I.D.. 2001. Penilaian Status Gizi. Jakarta: EGC.

Stern, H.S.. 1996. Neural Network in Applied Statistics. Technometrics. Vol. 38

No.3 Hal. 205-214.

Syafi’ie, I.. 2000. Konsep Ilmu Pengetahuan Dalam Al-Quran (Telaah dan

Pendekatan Filsafat Ilmu). Yogyakarta: UII Pres.

Trisnawati, D. 2013. Manfaat Menuntut Ilmu Dalam Kehidupan. (online).

(http://dianytrisnawati.blogspot.com/2013/10/manfaat-menuntut-ilmu-

Trisnawati%20

http://dianytrisnawati.blogspot.com/2013/10/manfaat-menuntut-ilmu-dalam-kehidupan.html

62

dalam-kehidupan.html), diakses 24 Februari 2015.

Winarno, F.G. 1990. Gizi dan Makanan Bagi Bayi dan Anak Sapihan.

Yogyakarta: Pustaka Sinar Harapan.

http://dianytrisnawati.blogspot.com/2013/10/manfaat-menuntut-ilmu-dalam-kehidupan.html

LAMPIRAN

Lampiran 1 Tabel Antropometri Sesuai Standard WHO-2005 di UPT Puskesmas

Dinoyo Malang

Sangat

kurus

Kurus Normal Gemuk PB (Cm)

< 1,9 1,9 - 1,9 2,0 - 3,0 >3,0 45,0

< 1,9 1,9 - 2,0 2,1 - 3,1 >3,1 45,5

< 2,0 2,0 - 2,1 2,2 - 3,1 >3,1 46,0

< 2,1 2,1 - 2,2 2,3 - 3,2 >3,2 46,5

< 2,1 2,1 - 2,2 2,3 - 3,3 >3,3 47,0

< 2,2 2,2 - 2,3 2,4 - 3,4 >3,4 47,5

< 2,3 2,3 - 2,4 2,5 - 3,6 >3,6 48,0

< 2,3 2,3 - 2,5 2,6 - 3,7 >3,7 48,5

< 2,4 2,4 - 2,5 2,6 - 3,8 >3,8 49,0

< 2,5 2,5 - 2,6 2,7 - 3,9 >3,9 49,5

< 2,6 2,6 - 2,7 2,8 - 4,0 >4,0 50,0

< 2,7 2,7 - 2,8 2,9 - 4,1 >4,1 50,5

< 2,7 2,7 - 2,9 3,0 - 4,2 >4,2 51,0

< 2,8 2,8 - 3,0 3,1 - 4,4 >4,4 51,5

< 2,9 2,9 - 3,1 3,2 - 4,5 >4,5 52,0

< 3,0 3,0 - 3,2 3,3 - 4,6 >4,6 52,5

< 3,1 3,1 - 3,3 3,4 - 4,8 >4,8 53,0

< 3,2 3,2 - 3,4 3,5 - 4,9 >4,9 53,5

< 3,3 3,3 - 3,5 3,6 - 5,1 >5,1 54,0

< 3,4 3,4 - 3,6 3,7 - 5,3 >5,3 54,5

< 3,6 3,6 - 3,7 3,8 - 5,4 >5,4 55,0

< 3,7 3,7 - 3,9 4,0 - 5,6 > 5,6 55,5

< 3,8 3,8 - 4,0 4,1 - 5,8 >5,8 56,0

< 3,9 3,9 - 4,1 4,2 - 5,9 >5,9 56,5

< 4,0 4,0 - 4,2 4,3 - 6,1 >6,1 57,0

< 4,1 4,1 - 4,4 4,5 - 6,3 >6,3 57,5

< 4,3 4,3 - 4,5 4,6 - 6,4 >6,4 58,0

< 4,4 4,4 - 4,6 4,7 - 6,6 >6,6 58,5

< 4,5 4,5 - 4,7 4,8 - 6,8 >6,8 59,0

< 4,6 4,6 - 4,9 5,0 - 7,0 >7,0 59,5

< 4,7 4,7 - 5,0 5,1 - 7,1 >7,1 60,0

< 4,8 4,8 - 5,1 5,2 - 7,3 >7,3 60,5

< 4,9 4,9 - 5,2 5,3 - 7,4 >7,4 61,0

< 5,0 5,0 - 5,3 5,4 - 7,6 >7,6 61,5

< 5,1 5,1 - 5,5 5,6 - 7,7 >7,7 62,0

< 5,2 5,2 - 5,6 5,7 - 7,9 >7,9 62,5

< 5,3 5,3 - 5,7 5,8 - 8,0 >8,0 63,0

< 5,4 5,4 - 5,8 5,9 - 8,2 >8,2 63,5

< 5,5 5,5 - 5,9 6,0 - 8,3 >8,3 64,0

< 5,6 5,6 - 6,0 6,1 - 8,5 >8,5 64,5

< 5,7 5,7 - 6,1 6,2 - 8,6 >8,6 65,0

< 5,8 5,8 - 6,2 6,3 - 8,7 >8,7 65,5

< 5,9 5,9 - 6,3 6,4 - 8,9 >8,9 66,0

< 6,0 6,0 - 6,4 6,5 - 9,0 >9,0 66,5

< 6,1 6,1 - 6,5 6,6 - 9,2 >9,2 67,0

< 6,2 6,2 - 6,6 6,7 - 9,3 >9,3 67,5

< 6,3 6,3 - 6,7 6,8 - 9,4 >9.4 68,0

< 6,4 6,4 - 6,8 6,9 - 9,6 >9,6 68,5

< 6,5 6,5 - 6,9 7,0 - 9,7 >9,7 69,0

< 6,6 6,6 - 7,0 7,1 - 9,8 >9,8 69,5

< 6,6 6,6 - 7,1 7,2 - 10,0 >10,0 70,0

< 6,7 6,7 - 7,2 7,3 - 10,1 >10,1 70,5

< 6,8 6,8 - 7,3 7,4 - 10,2 >10,2 71,0

< 6,9 6,9 - 7,4 7,5 - 10,4 >10,4 71,5

< 7,0 7,0 - 7,5 7,6 - 10,5 >10,5 72,0

< 7,1 7,1 - 7,5 7,6 - 10,6 >10,6 72,5

< 7,2 7,2 - 7,6 7,7 - 10,8 >10,8 73,0

< 7,2 7,2 - 7,7 7,8 - 10,9 >10,9 73,5

< 7,3 7,3 - 7,8 7,9 - 11,0 >11,0 74,0

< 7,4 7,4 - 7,9 8,0 - 11,2 >11,2 74,5

< 7,5 7,5 - 8,0 8,1 - 11,3 >11,3 75,0

< 7,6 7,6 - 8,1 8,2 - 11,4 >11,4 75,5

< 7,6 7,6 - 8,2 8,3 - 11,5 >11,5 76,0

< 7,7 7,7 - 8,2 8,3 - 11,6 >11,6 76,5

< 7,8 7,8 - 8,3 8,4 - 11,7 >11,7 77,0

< 7,9 7,9 - 8,4 8,5 - 11,9 >11,9 77,5

< 7,9 7,9 - 8,5 8,6 - 12,0 >12,0 78,0

< 8,0 8,0 - 8,6 8,7 - 12,1 >12,1 78,5

< 8,1 8,1 - 8,6 8,7 - 12,2 >12,2 79,0

< 8,2 8,2 - 8,7 8,8 - 12,3 >12,3 79,5

< 8,2 8,2 - 8,8 8,9 - 12,4 >12,4 80,0

< 8,3 8,3 - 8,9 9,0 - 12,5 >12,5 80,5

< 8,4 8,4 - 9,0 9,1 - 12,6 >12,6 81,0

< 8,5 8,5 - 9,0 9,1 - 12,7 >12,7 81,5

< 8,5 8,5 - 9,1 9,2 - 12,8 >12,8 82,0

< 8,6 8,6 - 9,2 9,3 - 13,0 >13,0 82,5

< 8,7 8,7 - 9,3 9,4 - 13,1 >13,1 83,0

< 8,8 8,8 - 9,4 9,5 - 13,2 >13,2 83,5

< 8,9 8,9 - 9,5 9,6 - 13,3 >13,3 84,0

< 9,0 9,0 - 9,6 9,7 - 13,5 >13,5 84,5

< 9,1 9,1 - 9,7 9,8 - 13,6 >13,6 85,0

< 9,2 9,2 - 9,8 9,9 - 13,7 >13,7 85,5

< 9,3 9,3 - 9,9 10,0 - 13,9 >13,9 86,0

< 9,4 9,4 - 10,0 10,1 - 14,0 >14,0 86,5

< 9,5 9,5 - 10,1 10,2 - 14,2 >14,2 87,0

< 9,6 9,6 - 10,3 10,4 - 14,3 >14,3 87,5

< 9,7 9,7 - 10,4 10,5 - 14,5 >14,5 88,0

< 9,8 9,8 - 10,5 10,6 - 14,6 >14,6 88,5

< 9,9 9,9 - 10,6 10,7 - 14,7 >14,7 89,0

< 10,0 10,0 - 10,7 10,8 - 14,9 >14,9 89,5

< 10,1 10,1 - 10,8 10,9 - 15,0 >15,0 90,0

< 10,2 10,2 - 10,9 11,0 - 15,1 >15,1 90,5

< 10,3 10,3 - 11,0 11,1 - 15,3 >15,3 91,0

< 10,4 10,4 - 11,1 11,2 - 15,4 >15,4 91,5

< 10,5 10,5 - 11,2 11,3 - 15,6 >15,6 92,0

< 10,6 10,6 - 11,3 11,4 - 15,7 >15,7 92,5

< 10,7 10,7 - 11,4 11,5 - 15,8 >15,8 93,0

< 10,7 10,7 - 11,5 11,6 - 16,0 >16,0 93,5

< 10,8 10,8 - 11,6 11,7 - 16,1 >16,1 94,0

< 10,9 10,9 - 11,7 11,8 - 16,3 >16,3 94,5

< 11,0 11,0 - 11,8 11,9 - 16,4 >16,4 95,0

< 11,1 11,1 - 11,9 12,0 - 16,5 >16,5 95,5

< 11,2 11,2 - 12,0 12,1 - 16,7 >16,7 96,0

< 11,3 11,3 - 12,1 12,2 - 16,8 >16,8 96,5

< 11,4 11,4 - 12,2 12,3 - 17,0 >17,0 97,0

< 11,5 11,5 - 12,3 12,4 - 17,1 >17,1 97,5

< 11,6 11,6 - 12,4 12,5 - 17,3 >17,3 98,0

< 11,7 11,7 - 12,5 12,6 - 17,5 >17,5 98,5

< 11,8 11,8 - 12,6 12,7 - 17,6 >17,6 99,0

< 11,9 11,9 - 12,7 12,8 - 17,8 >17,8 99,5

< 12,0 12,0 - 12,8 12,9 - 18,0 >18,0 100,0

< 12,1 12,1 - 12,9 13,0 - 18,1 >18,1 100,5

< 12,2 12,2 - 13,1 13,2 - 18,3 >18,3 101,0

< 12,3 12,3 - 13,2 13,3 - 18,5 >18,5 101,5

< 12,4 12,4 - 13,3 13,4 - 18,7 >18,7 102,0

< 12,5 12,5 - 13,4 13,5 - 18,8 >18,8 102,5

< 12,6 12,6 - 13,5 13,6 - 19,0 >19,0 103,0

< 12,7 12,7 - 13,6 13,7 - 19,2 >19,2 103,5

< 12,8 12,8 - 13,8 13,9 - 19,4 >19,4 104,0

< 12,9 12,9 - 13,9 14,0 - 19,6 >19,6 104,5

< 13,0 13,0 - 14,0 14,1 - 19,8 >19,8 105,0

< 13,2 13,2 - 14,1 14,2 - 20,0 >20,0 105,5

< 13,3 13,3 - 14,3 14,4 - 20,2 >20,2 106,0

< 13,4 13,4 - 14,4 14,5 - 20,4 >20,4 106,5

< 13,5 13,5 - 14,5 14,6 - 20,6 >20,6 107,0

< 13,6 13,6 - 14,6 14,7 - 20,8 >20,8 107,5

< 13,7 13,7 - 14,8 14,9 - 21,0 >21,0 108,0

< 13,8 13,8 - 14,9 15,0 - 21,2 >21,2 108,5

Lampiran 2 tabel 3.7 data asli status gizi balita berdasarkan berat badan dan

panjang badan sesuai dengan targetnya di UPT Puskesmas Dinoyo

Malang Tahun 2014.

No BB PB

Target

1 1.8 Kg 45.0 Cm Sangat kurang







8 6.2 Kg 66.5 Cm Kurang










18 7.0 Kg 66.5 Cm Normal















33 8.2 Kg 60.5 Cm Lebih

34 7.0 Kg 55.5 Cm Lebih

35 12.9 Kg 79.5 Cm Lebih

36 12.7 Kg 80.0 Cm Lebih

37 3.5 Kg 45.5 Cm Lebih

< 14,0 14,0 - 15,0 15,1 - 21,4 >21,4 109,0

< 14,1 14,1 - 15,2 15,3 - 21,7 >21,7 109,5

< 14,2 14,2 - 15,3 15,4 - 21,9 >21,9 110,0

Lampiran 3 tabel 3.9 Data pengujian beserta pola yang sudah di tranformasi pada

status gizi balita di bawah usia 60 Bulan di UPT Puskesmas Dinoyo

Malang Tahun 2014

Pola Data masukan (x1, x2)

Target

Pola 1 0.1111 0.1000 0.25

Pola 2 0.1000 0.1073 0.25

Pola 3 0.2889 0.3569 0.25

Pola 4 0.5667 0.8339 0.25

Pola 5 0.1444 0.1807 0.25

Pola 6 0.1111 0.1000 0.25

Pola 7 0.4389 0.5771 0.25

Pola 8 0.3556 0.4156 0.50

Pola 9 0.3444 0.4156 0.50

Pola 10 0.4222 0.4963 0.50

Pola 11 0.4667 0.5917 0.50

Pola 12 0.1167 0.1000 0.50

Pola 13 0.2111 0.2468 0.50

Pola 14 0.1167 0.1000 0.50

Pola 15 0.4556 0.5697 0.50

Pola 16 0.2222 0.2541 0.50

Pola 17 0.5667 0.7312 0.50

Pola 18 0.4000 0.4156 0.75

Pola 19 0.1500 0.1000 0.75

Pola 20 0.9000 0.9000 0.75

Pola 21 0.1333 0.1000 0.75

Pola 22 0.5667 0.5917 0.75

Pola 23 0.3667 0.3202 0.75

Pola 24 0.1722 0.1734 0.75

Pola 25 0.1278 0.1000 0.75

Pola 26 0.5667 0.5624 0.75

Pola 27 0.7389 0.7532 0.75

Pola 28 0.2889 0.3055 0.75

Pola 29 0.1500 0.1073 0.75

Pola 30 0.5667 0.5771 0.75

Pola 31 0.1500 0.1073 0.75

Pola 32 0.1500 0.1000 0.75

Pola 33 0.4667 0.3275 1

Pola 34 0.4000 0.2541 1

Pola 35 0.7278 0.6064 1

Pola 36 0.7167 0.6138 1

Pola 37 0.2056 0.1073 1

Lampiran 4 tabel 3.10 Data pelatihan dengan memilih angka acak dari data

pengujian

Pola

Data masukan (x1,x2) target

Pola 1 0.1010 0.6353 0.25

Pola 2 0.2434 0.2222 0.25

Pola 3 0.1353 0.4232 0.25

Pola 4 0.1233 0.1454 0.25

Pola 5 0.8675 0.2736 0.50

Pola 6 0.3246 0.6575 0.50

Pola 7 0.5342 0.5344 0.50

Pola 8 0.6575 0.3131 0.50

Pola 9 0.1334 0.3232 0.50

Pola 10 0.3333 0.6454 0.50

Pola 11 0.4444 0.5364 0.50

Pola 12 0.6574 0.9846 0.75

Pola 13 0.4225 0.5343 0.75

Pola 14 0.5335 0.6354 0.75

Pola 15 0.6353 0.6454 0.75

Pola 16 0.5337 0.5343 0.75

Pola 17 0.4232 0.4238 0.75

Pola 18 0.6383 0.4232 0.75

Pola 19 0.8474 0.4322 0.75

Pola 20 0.5363 0.5333 0.75

Pola 21 0.5343 0.5555 1

Pola 22 0.4252 0.4232 1

Pola 23 0.6454 0.5242 1

Keterangan :

Sangat kurang : 0.25

Kurang : 0.50

Normal : 0.75

Lebih : 1

Lampiran 5 koding program Matlab 2009

clc,clear;

input = [1.8 1.6 5.0 10.0 2.4 1.8 7.7 6.2 6.0 7.4 8.2 1.9 3.6 1.9

8.0 3.8 10.0 7.0 2.5 16.0 2.2 10.0 6.4 2.9 2.1 10.0 13.1

5.0 2.5 10.0 2.5 2.5 8.2 7.0 12.9 12.7 3.5 ; 45.0 45.5

62.5 95.0 50.5 45.0 77.5 66.5 66.5 72.0 78.5 45.0 55.0

45.0 77.0 55.5 88.0 66.5 45.0 99.5 45.0 78.5 60.0 50.0

45.0 76.5 89.5 59.0 45.5 77.5 45.5 45.0 60.5 55.5 79.5

80.0 45.5]

Karena dalam penelitian ini menggunakan fungsi aktivasi sigmoid biner,

maka data harus ditransformasikan terlebih dahulu, karena range keluaran fungsi

sigmoid adalah [0,1]. Data bisa ditransformasikan ke interval [0,1]. Tapi akan

lebih baik jika ditransformasikan ke interval yang lebih kecil, missal pada interval

[0.1, 0.9]. ini mengingat fungsi sigmoid merupakan fungsi asimtotik yang nilainya

tidak pernah 0 ataupun 1.

Jika a adalah data minimum dan b adalah data maksimum, transformasi

linier yang dipakai untuk mentranformasikan data ke interval [0.1, 0.9] adalah:

'0.8

0.1x a

xb a

(Siang, 2009:121)

Maka hasil transformasi data adalah sebagai berikut:

input=[0.1111 0.1000 0.2889 0.5667 0.1444 0.1111 0.4389 0.3556

0.3444 0.4222 0.4667 0.1167 0.2111 0.1167 0.4556 0.2222

0.5667 0.4000 0.1500 0.9000 0.1333 0.5667 0.3667 0.1722

0.1278 0.5667 0.7389 0.2889 0.1500 0.5667 0.1500 0.1500

0.4667 0.4000 0.7278 0.7167 0.2056 ; 0.1000 0.1073 0.3569

0.8339 0.1807 0.1000 0.5771 0.4156 0.4156 0.4963 0.5917

0.1000 0.2468 0.1000 0.5697 0.2541 0.7312 0.4156 0.1000

0.9000 0.1000 0.5917 0.3202 0.1734 0.1000 0.5624 0.7532

0.3055 0.1073 0.5771 0.1073 0.1000 0.3275 0.2541 0.6064

0.6138 0.1073]

target=[0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1

0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1 0.25 0.50 0.75 1]

bobotKeHidden = [0.3 0.2 ; 0.1 0.4 ; 0.3 -04 ; 0.2 -0.5; 0.3 0.3 ;

-0.6 -0.2 ; -0.3 0.1 ; 0.1 -0.2 ; 0.2 0.2 ; -0.4

-0.5]

biasKeHidden = [0.1 ; -0.1 ; 0.2 ; 0.5 ; 0.2 ; -0.1 ; -0.1 ; 0.4 ;

0.2 ; 0.7] bobotKeOutput = [0.3 0.2 0.1 0.3 0.2 -0.1 -0.3 -0.3 0.4 0.8 ; 0.2

-0.2 0.5 0.4 0.4 0.2 0.4 0.2 0.4 0.1 ; 0.1 0.1

0.3 0.4 -0.2 -0.4 -0.4 -0.5 0.2 0.3 ; -0.1 0.2

0.1 0.1 -0.9 0.8 0.4 0.1 0.5 0.9] biasKeOutput = [-0.1 ; 0.3 ; 0.1 ; 0.4]

laju_pemahaman = 0.2; n=10; %banyaknya hidden layer x=37; %banyaknya data yang di proses a=target'; b=a;

for s=1:1000 %langkah 4: hitung keluaran unit tersembunyi

z_in=zeros(n,1); z=zeros(n,1); for k=1:x for i =1:n z_in(i,k) =

biasKeHidden(i,1)+input(1,k)*bobotKeHidden(i,1)+input(2,k

)*bobotKeHidden(i,2); z(i,k) = 1/(1 + exp(-z_in(i,k))); end end z_in; z;

%langkah 5: hitung unit keluaran yk y_in=zeros(4,1); y=zeros(4,1); error=zeros(4,1); delta_biasKeOutput=zeros(4,1); for h=1:x for i=1:4 y_in(i,h) =

biasKeOutput(i,1)+z(1,h)*bobotKeOutput(i,1)+z(2,h)*bobotK

eOutput(i,2); y(i,h) = 1/(1 + exp(-y_in(i,h))); %langkah 6: hitung faktor kesalahan di unit yk error(i,h) =(target(h,i)-y(i,h))*y(i,h)*(1-y(i,h));

%suku perubahan bias delta wkj (dengan laju pemahaman=0.1) delta_biasKeOutput(i,h) = laju_pemahaman*error(i,h); end end y_in; y

%coding grafik yang dimunculkan dari perbandingan target dengan

nilai keluaran figure(1) plot(y,'-') hold on plot(b,'o') hold off %grid on xlabel('target') ylabel('hasil')

error; delta_biasKeOutput; E=[y-b]; % menampilkan Error hasil keluaran dengan target p=mse(E) %suku perubahan bobot delta wkj (dengan laju pemahaman=0.1) delta_bobotKeOutput=zeros(n,1); for i=1:n delta_bobotKeOutput=zeros(4,1); end delta_bobotKeOutput; for oo=1:x for i=1:n for j=1:4 delta_bobotKeOutput(j,i,oo) =

laju_pemahaman*error(j,oo)*z(i,oo); end end end delta_bobotKeOutput;

%penjumlahan delta bobot dari data 1 sampai data x(banyak data) jmm=0; for j=1:x jmm=jmm+delta_bobotKeOutput(:,:,j);

end jmm;

%langkah 7: hitung kesalahan dari unit tersembunyi(delta) delta_net=zeros(n,1); for t=1:x for a=1:n delta_net(a,t) =

error(1,t)*bobotKeOutput(1,a)+(error(2,t)*bobotKeOutput(2

,a))+(error(3,t)*bobotKeOutput(3,a))+(error(4,t)*bobotKeO

utput(4,a)); end end delta_net; %faktor kesalahan delta di unit tersembunyi

errorHidden=zeros(n,1); delta_biasKeHidden=zeros(n,1);

for d=1:x for i=1:n errorHidden(i,d) = delta_net(i,d)*z(i,d)*(1-z(i,d));

%suku perubahan bias ke unit tersembunyi delta_biasKeHidden(i,d) = laju_pemahaman*errorHidden(i,d); end end errorHidden; delta_biasKeHidden;

%suku perubahan bobot ke unit tersembunyi deltaBobotKehidden=zeros(n,1); for i=1:n deltaBobotKehidden=zeros(n,1); end deltaBobotKehidden; jmll=0; for p=1:x for z=1:n for a=1:2 deltaBobotKehidden(z,a) =

laju_pemahaman*errorHidden(z,a)*input(a,p); end end deltaBobotKehidden; jmll=jmll+deltaBobotKehidden; end jmll;

%langkah 8: penjumlahan bobot-bobot pada setiap data jumlahdeltabiaskeoutput=sum(delta_biasKeOutput,2); jumlahdeltabiaskehidden=sum(delta_biasKeHidden,2);

%langkah 8: hitung semua perubahan bobot secara berkala (bobot-

bobot baru yang akan digunakan untuk iterasi selanjutnya)

BobotBaruKeHidden = (bobotKeHidden+jmll); BiasBaruKeHidden = (biasKeHidden+jumlahdeltabiaskehidden); BobotBaruKeOutput = (bobotKeOutput+jmm); BiasBaruKeOutput = (biasKeOutput+jumlahdeltabiaskeoutput); bobotKeHidden = BobotBaruKeHidden; biasKeHidden = BiasBaruKeHidden; bobotKeOutput = BobotBaruKeOutput; biasKeOutput = BiasBaruKeOutput; end.

Lampiran 6 hasil keluaran dari pelatihan data pengujian

y =

Columns 1 through 7

0.2522 0.2522 0.2502 0.2474 0.2516 0.2522 0.2487

0.5010 0.5010 0.4999 0.4986 0.5007 0.5010 0.4992

0.7454 0.7454 0.7496 0.7557 0.7466 0.7454 0.7528

0.9935 0.9935 0.9947 0.9961 0.9939 0.9935 0.9955

Columns 8 through 14

0.2496 0.2497 0.2491 0.2485 0.2521 0.2510 0.2521

0.4997 0.4997 0.4994 0.4991 0.5010 0.5004 0.5010

0.7507 0.7506 0.7520 0.7531 0.7454 0.7479 0.7454

0.9950 0.9950 0.9953 0.9956 0.9935 0.9943 0.9935


0.2487 0.2509 0.2477 0.2495 0.2520 0.2463 0.2521

0.4992 0.5003 0.4988 0.4997 0.5010 0.4986 0.5010

0.7529 0.7480 0.7549 0.7511 0.7458 0.7581 0.7456

0.9955 0.9943 0.9959 0.9951 0.9936 0.9965 0.9936


0.2482 0.2500 0.2515 0.2521 0.2483 0.2472 0.2504

0.4992 0.5000 0.5007 0.5010 0.4993 0.4988 0.5001

0.7539 0.7500 0.7467 0.7455 0.7536 0.7562 0.7491

0.9957 0.9948 0.9939 0.9936 0.9957 0.9962 0.9946


0.2519 0.2483 0.2519 0.2520 0.2496 0.2502 0.2477

0.5010 0.4992 0.5010 0.5010 0.5000 0.5003 0.4992

0.7458 0.7538 0.7458 0.7458 0.7509 0.7496 0.7551

0.9937 0.9957 0.9937 0.9936 0.9950 0.9947 0.9959


0.2477 0.2517

0.4992 0.5010

0.7551 0.7464

0.9959 0.9938

PENGGUNAAN JARINGAN SARAF TIRUAN …etheses.uin-malang.ac.id/6351/1/09610107.pdfPENGGUNAAN JARINGAN...

Documents

Transcript of PENGGUNAAN JARINGAN SARAF TIRUAN …etheses.uin-malang.ac.id/6351/1/09610107.pdfPENGGUNAAN JARINGAN...